/ Модель

Характеристики

Лицензия
Gemma
Архитектура
paligemma · dense
Базовая модель
paligemma-3b-mix-224
Библиотека
transformers
Опубликована
27 июн 2026

paligemma-blind-assist-lora-merged-v1

Изображение и текст → текст3 профессии

Дообученная PaliGemma 3B для ответов на вопросы об изображениях и описания сцен в помощь незрячим и слабовидящим пользователям.

23скачиваний за 30 дней0лайковвеса обновлены30 авг 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Модель lamao-ab/paligemma-blind-assist-lora-merged-v1 разработана как адаптация PaliGemma 3B Mix 224 для задач визуальной доступности. Это плотная мультимодальная модель Google PaliGemma с 2,92 млрд параметров: LoRA-адаптер ранга 8 обучен на данных VizWiz и объединён с базовыми весами в самостоятельный чекпойнт bf16. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ; предназначена для визуальных вопросов и описания сцен для незрячих и слабовидящих пользователей.

В README приведены результаты на VizWiz: точность VQA выросла с 73,95 до 75,80, а CIDEr-D для описаний изображений — с 55,31 до 98,08. На общих наборах VQAv2 и COCO-Caps наблюдалось небольшое снижение отдельных метрик. Для хранения модели требуется около 5,45 ГБ памяти. Лицензия Gemma; применяются условия лицензии Google Gemma.

Сценарии применения

  • ответы на вопросы об объектах и ситуациях на фотографии
  • описание сцены на снимке для незрячего пользователя
  • озвучиваемое текстовое объяснение содержимого изображения
  • визуальная помощь при чтении и ориентировании по снимку

Ограничения

Модель ориентирована на изображения и сценарии VizWiz; качество может отличаться на других типах изображений и задачах. README сообщает о небольшом снижении результатов на общих наборах VQAv2 и COCO-Caps по сравнению с базовой моделью.

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

👁️ PaliGemma-BlindAssist: A parameter-efficient vision-language model adapter for blind assistance VQA & Captioning using LoRA

Model Adapter Dataset License


🎯 Model Overview

A full-precision (bfloat16) adaptation of google/paligemma-3b-mix-224 for accessibility vision-language tasks, trained with LoRA on the VizWiz datasets and merged into a standalone checkpoint. It performs visual question answering and scene captioning for blind and low-vision users, and represents the quality ceiling of our adaptation: the 4-bit QLoRA variant matches it to within a fraction of a point at 40% of the memory footprint, and is the variant intended for on-device deployment.

Adaptation improves the target task substantially while leaving general-domain performance largely intact. On VizWiz captioning, CIDEr-D rises from 55.31 to 98.08 and mean caption length from 5.03 to 10.30 words, matching the dataset's more descriptive reference style; VizWiz-VQA accuracy rises from 73.95 to 75.80. General-domain performance declines only modestly, by 0.50 points on VQAv2 and 5% relative on COCO-Caps.

🔧 Specifications

  • Base: google/paligemma-3b-mix-224 (bfloat16)
  • Adapter: LoRA, rank 8, alpha 16, dropout 0.05 · 11.3 M trainable params (0.385 %)
  • Target modules: q/k/v/o_proj, gate/up/down_proj
  • Data: 137,678 train / 27,569 val · seed 123
  • Schedule: 3 epochs, 3,225 steps · effective batch 128 (16 × 8 grad-accum) · max seq 512
  • Optimiser: adamw_torch_fused · LR 2e-4, cosine (warmup 0.03)
  • Parameters: 2.92 B (adapter merged into the base weights)
  • Precision: bf16 (merged, standalone)
  • In-memory size: 5.45 GB (model.get_memory_footprint())
  • Training peak VRAM: 53.1 GB

📊 Measured Performance

Blind-domain (target task) — VizWiz

VizWiz-VQA

ModelOverallYes/NoNumberOtherUnans.
Base73.9588.7166.1066.1091.67
LoRA75.80 ±0.2186.5567.5666.5497.73

VizWiz-Caps

ModelCIDEr-DBLEU-4METEORROUGE-LLen.
Base55.3112.0714.0828.765.03
LoRA98.08 ±1.5130.77 ±0.3623.45 ±0.3149.54 ±0.4710.30

General-domain (control) — VQAv2 / COCO-Caps

VQAv2

ModelOverallYes/NoNumberOther
Base81.6594.7467.5373.49
LoRA81.15 ±0.0494.5766.3872.85

COCO-Caps

ModelCIDEr-DBLEU-4METEORROUGE-LLen.
Base131.2131.9630.6259.1712.40
LoRA124.54 ±1.3634.58 ±0.3930.63 ±0.0658.62 ±0.1911.20

LoRA/QLoRA scores are mean ± std over 3 seeds (42, 123, 7). This checkpoint is the seed-123 run.

🚀 Usage

from transformers import PaliGemmaForConditionalGeneration, PaliGemmaProcessor
from PIL import Image
import torch

repo = "lamao-ab/paligemma-blind-assist-lora-merged-v1"
model = PaliGemmaForConditionalGeneration.from_pretrained(
    repo, torch_dtype=torch.bfloat16, device_map="auto"
)
processor = PaliGemmaProcessor.from_pretrained(repo)

image = Image.open("example.jpg").convert("RGB")
prompt = "describe the scene for a blind person"  
inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=128)
print(processor.decode(out[0], skip_special_tokens=True))

📄 License

Inherits the Gemma license from the base model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
PaliGemmaForConditionalGeneration
Ревизия весов
bf0cc52

0 моделей