/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
13 дек 2025

horde-vision

Изображение и текст → текст7 профессий

Казахская мультимодальная модель на базе Qwen3-VL для распознавания текста и ответов на вопросы по изображениям.

18скачиваний за 30 дней6лайковвеса обновлены11 янв 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

HordeVision — открытая мультимодальная модель языка и зрения, разработанная для работы с казахским языком. Она основана на Qwen/Qwen3-VL-8B-Instruct и дообучена в два этапа: с помощью SFT и GRPO. Модель принимает изображения и текстовые запросы, а в ответ может описывать изображения, отвечать на вопросы о них, распознавать казахский текст, выполнять визуальные рассуждения и следовать многошаговым инструкциям.

Модель ориентирована на сценарии, где нужно взаимодействовать с визуальной информацией на казахском языке: например, извлекать текст из изображений или объяснять содержание культурно значимых и повседневных сцен. В README указано обучение примерно на 50 тысячах изображений и преимущество в сравнительной оценке над несколькими мультиязычными моделями; это результаты авторской оценки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache 2.0.

Сценарии применения

  • распознавание казахского текста на изображениях
  • создание описаний изображений на казахском языке
  • ответы на вопросы о содержимом изображения
  • визуальные рассуждения о сценах и событиях
  • выполнение инструкций по анализу изображения

Ограничения

Заявленные в README результаты основаны на авторском сравнении, поэтому могут зависеть от используемого набора данных и методики оценки. Модель специализирована на казахском языке; качество для других языков не описано.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HordeVision: Open-Source Kazakh Vision-Language Model

HordeVision is a vision-language model specifically trained for the Kazakh language, designed to handle OCR, image captioning, visual question answering (VQA), reasoning, and instruction-following tasks.

Model Description

HordeVision is built to address the lack of vision-language models for low-resource languages like Kazakh. The model excels at:

  • Image Captioning: Generating detailed, contextual descriptions in Kazakh
  • Visual Question Answering (VQA): Answering diverse questions about image content
  • OCR: Extracting and reading Kazakh text from images
  • Visual Reasoning: Making inferences about context, causality, and temporal states
  • Instruction Following: Executing multi-step visual tasks based on user commands

Key Features

  • First open-source Kazakh vision-language model
  • Trained on ~50k culturally relevant images covering daily life, education, work, culture, and heritage
  • Two-stage training: Supervised Fine-Tuning (SFT) + Reinforcement Learning (GRPO)
  • Ranks #1 across all evaluation tasks compared to comparable multilingual models

Model Performance Summary

Modelcaptionvqaocrreasoninstruct_followAvg Rank
horde-vision83.5 (↑12.3%)68.1 (↑5.3%)64.7 (↑2.6%)77.4 (↑5.7%)70.5 (↑5.9%)#1
Qolda75.2 (↑8.7%)61.7 (↑3.0%)60.6 (↑2.0%)70.3 (↑2.9%)62.2 (↑2.8%)#2
Qwen3-VL-8B-Instruct41.3 (↑0.5%)53.6 (↑1.1%)59.3 (↑2.1%)55.5 (↑0.7%)49.5 (↑0.9%)#3
gemma-3-4b-it42.0 (↑0.1%)41.8 (↑0.4%)50.3 (↑2.3%)53.0 (↑0.6%)42.5 (↑0.5%)#4
Qwen2.5-VL-7B-Instruct35.4 (↑0.0%)41.6 (↑0.4%)51.0 (↑0.9%)44.6 (↑0.3%)37.7 (↑0.3%)#5
Llama-3.2-11B-Vision36.2 (↑0.1%)38.0 (↑0.3%)15.0 (↑0.1%)43.4 (↑0.3%)36.4 (↑0.3%)#6
InternVL3-8B26.1 (↑0.6%)29.0 (↑0.0%)29.1 (↑0.3%)27.3 (↑0.0%)25.7 (↑0.0%)#7

Comparison: Outperforms Google Gemma 3-4B-IT, InternVL3-8B, Qwen2.5-VL-7B-Instruct, Qwen3-VL-8B-Instruct, and ISSAI Qolda across all tasks.

Dataset

The training dataset was collected using a syntactic data generation pipeline:

  • Size: 45k training images, 5k validation images
  • Categories: 21 main categories, 104 subcategories, ~2,600 keyword phrases
  • Coverage: Daily contexts, social life, education, work/economy, media/communications, culture and heritage
  • Quality: Filtered with imagededup for deduplication and aesthetic scoring
  • Annotation: Labeled using GPT-4.1 with structured prompts for consistent quality
  • Split Strategy: Entity-level stratification to ensure models are tested on completely unseen entities

Training Details

Supervised Fine-Tuning (SFT)

  • Data: 46k images
  • LoRA Rank: 128
  • Epochs: 1

Reinforcement Learning (GRPO)

  • Data: 5k images
  • LoRA Rank: 64
  • Epochs: 1
  • Judge: GPT-4.1-mini with custom Kazakh evaluation prompts

How to Use

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    "kz-transformers/horde-vision", dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen3VLForConditionalGeneration.from_pretrained(
#     "kz-transformers/horde-vision",
#     dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

processor = AutoProcessor.from_pretrained("kz-transformers/horde-vision")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Бұл суретті сипаттаңыз."},
        ],
    }
]

# Preparation for inference
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
)
inputs = inputs.to(model.device)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Citation

If you use HordeVision, please cite:

Cite as: Pavel Zubitskii, Vitaliy Morozov, Sanzhar Murzakhmetov, et al. HordeVision: An Open-Source Kazakh Vision-Language Model. TechRxiv. January 10, 2026. DOI: 10.36227/techrxiv.176800904.47969417/v1

BibTeX

@article{zubitskii2026hordevision,
  title   = {HordeVision: An Open-Source Kazakh Vision-Language Model},
  author  = {Zubitskii, Pavel and Morozov, Vitaliy and Murzakhmetov, Sanzhar and others},
  journal = {TechRxiv},
  year    = {2026},
  month   = jan,
  doi     = {10.36227/techrxiv.176800904.47969417/v1}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
9c0b870

0 моделей