/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
4 июл 2026

nanoVLM

Изображение и текст → текст

Компактная vision-language модель на 222 млн параметров для ответов на текстовые запросы по изображениям и экспериментов с обучением VLM.

8скачиваний за 30 дней0лайковвеса обновлены4 июл 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

nanoVLM — компактная мультимодальная модель для работы с изображениями и текстом, опубликованная пользователем laizi98. Архитектура объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M и причинную языковую модель SmolLM2-135M; общий размер составляет 222 млн параметров. Модель реализована на PyTorch, а её архитектура и логика обучения занимают около 750 строк кода.

Модель принимает изображение и текстовый запрос и формирует текстовый ответ. Она предназначена для эффективного обучения и экспериментов с компактными vision-language моделями. Репозиторий содержит веса в формате Safetensors, лицензия — MIT.

Сценарии применения

  • ответы на вопросы по изображению
  • генерация текстового описания изображения
  • эксперименты с обучением компактных VLM

Ограничения

Компактный размер ориентирован на эксперименты и эффективность; README не приводит оценок качества или подробностей о поддерживаемых языках.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nanoVLM is a minimal and lightweight Vision-Language Model (VLM) designed for efficient training and experimentation. Built using pure PyTorch, the entire model architecture and training logic fits within ~750 lines of code. It combines a ViT-based image encoder (SigLIP-B/16-224-85M) with a lightweight causal language model (SmolLM2-135M), resulting in a compact 222M parameter model.

For more information, check out the base model on https://huggingface.co/lusxvr/nanoVLM-222M.

Usage:

Clone the nanoVLM repository: https://github.com/huggingface/nanoVLM. Follow the install instructions and run the following code:

from models.vision_language_model import VisionLanguageModel

model = VisionLanguageModel.from_pretrained("laizi98/nanoVLM")

Как запустить

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

GPU в ailist

Универсальный рантайм · nanovlm

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
7975925

0 моделей