/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,9 млрд
Лицензия
CC BY-NC-SA 4.0
Архитектура
helium1_ca · dense
Базовая модель
helium-1-2b
Библиотека
transformers
Опубликована
18 дек 2025

Helium1-VL-2B

Изображение и текст → текст3 профессии

Инструктивная vision-language модель Kyutai на 1,9 млрд параметров для понимания изображений и ответов на вопросы по ним.

169скачиваний за 30 дней2лайкавеса обновлены6 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Helium1-VL-2B — инструктивно дообученная модель Kyutai для работы с изображениями и текстом, выпущенная в рамках проекта CASA. Она основана на языковой модели Helium1-2B и предварительно обученном визуальном энкодере Qwen-2.5VL; архитектура использует вставку визуальных токенов. Модель предназначена для ответов на вопросы об изображениях и других задач понимания визуального содержимого по текстовой инструкции.

Модель содержит 1,9 млрд параметров, использует архитектуру Helium1 и формат safetensors. Контекст составляет 4096 токенов. В карточке указаны обучающие наборы FineVision и LLaVA-OneVision-1.5-Instruct-Data; заявлен английский язык. По описанию разработчиков, это высокопроизводительный базовый вариант среди моделей сопоставимого размера, обученных на общедоступных данных. Для загрузки требуется trust_remote_code=True. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий распространения и атрибуции.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого фотографии
  • визуальный диалог по изображению
  • анализ изображений по текстовой инструкции

Ограничения

Контекст ограничен 4096 токенами; для загрузки требуется trust_remote_code=True. Лицензия CC BY-NC-SA 4.0 не допускает коммерческое использование без отдельного разрешения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Helium1-VL-2B

Helium1-VL-2B is an instruct-tuned vision-language model (VLM) based on the Helium1-2B text-only language model and a pretrained vision encoder from Qwen-2.5VL.

This model is released as part of the CASA project. While the CASA architecture focuses on cross-attention fusion, Helium1-VL-2B serves as a high-performance token insertion baseline, achieving state-of-the-art results among models of comparable size trained on publicly available datasets.

Sample Usage

You can run inference using the following code snippet. This model requires trust_remote_code=True to load the custom architecture.

import torch
from transformers.models.auto.modeling_auto import AutoModel
from transformers.models.auto.processing_auto import AutoProcessor

model_id = "kyutai/Helium1-VL-2B"
model = AutoModel.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    trust_remote_code=True,
).cuda()
processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
)

conversation = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.png",
            },
            {
                "type": "text",
                "text": "Describe this image.",
            },
        ],
    },
]

inputs = processor.tokenize_messages(messages=conversation)
inputs = inputs.to(model.device)
input_len = inputs["input_ids"].shape[1]

output_ids = model.generate_from_image(
  **inputs,
  max_new_tokens=512,
  pre_image_tokens=processor.pre_image_tokens,
  post_image_tokens=processor.post_image_tokens,
  eos_token_id=model.generation_config.eos_token_id,
)[0, input_len:]

response = processor.tokenizer.decode(output_ids, skip_special_tokens=True)
print(response)

Citation

If you use this model or the CASA fusion paradigm in your research, please cite:

@article{kyutai2025casa,
  author = {Moritz B\"ohle and Am\'elie Royer and Juliette Marrie and Edouard Grave and Patrick P\'erez},
  year = {2025},
  title = {CASA: Cross-Attention over Self-Attention for Efficient Vision-Language Fusion},
  journal = {ArXiv},
  url = {https://arxiv.org/abs/2512.19535}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
V2Helium1
Ревизия весов
193b6c4

0 моделей