/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
17,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
15 ноя 2025

Sky-VLM

Изображение и текст → текст3 профессии

Sky-VLM — визуально-языковая модель на базе Qwen2.5-VL для пространственного анализа и поддержки навигации беспилотников.

49скачиваний за 30 дней3лайкавеса обновлены19 ноя 2025

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

Sky-VLM — специализированная визуально-языковая модель для пространственных рассуждений при навигации беспилотных летательных аппаратов. Она представлена в исследовании «Is your VLM Sky-Ready? A Comprehensive Spatial Intelligence Benchmark for UAV Navigation»; карточка не уточняет организацию-разработчика. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает изображения и текстовые запросы и формирует текстовые ответы; для работы с изображениями и диалогами предусмотрен интерфейс Transformers, также заявлен интерфейс вызова инструментов.

Модель предназначена для анализа пространственных сцен и поддержки навигационных сценариев БПЛА. Указанная длина контекста — 128 000 токенов. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Карточка не приводит результатов бенчмарка, поэтому фактическое качество навигационных решений по ней оценить нельзя. Модель не следует считать готовой системой автономного управления полётом без отдельной проверки в целевой среде.

Сценарии применения

  • ответы на вопросы о пространственном расположении объектов на снимках с БПЛА
  • анализ сцен для планирования маршрута беспилотника
  • оценка навигационной ситуации по изображению и текстовому запросу

Ограничения

Карточка не содержит количественных результатов оценки качества. Пригодность модели для реального автономного управления полётом требует отдельной проверки.

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

Sky-VLM: Is your VLM Sky-Ready? A Comprehensive Spatial Intelligence Benchmark for UAV Navigation

License hf_checkpoint arXiv

This repository hosts the Sky-VLM model, a specialized Vision-Language Model designed for UAV spatial reasoning across multiple granularities and contexts. It was introduced in the paper Is your VLM Sky-Ready? A Comprehensive Spatial Intelligence Benchmark for UAV Navigation.

The project's code is available on GitHub: https://github.com/linglingxiansen/SpatialSKy.

🚀 Sample Usage

First, install the transformers library and other dependencies as described in the GitHub repository:

pip install git+https://github.com/huggingface/transformers accelerate torch torchvision openai pillow tqdm nltk scipy

Then, you can use the following Python code for inference with the Sky-VLM model:

from transformers import Qwen2VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info # Note: qwen_vl_utils might need to be installed separately or adapted

# Default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "llxs/Sky-VLM", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("llxs/Sky-VLM")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "./examples/images/web_6f93090a-81f6-489e-bb35-1a2838b18c01.png", # Placeholder image path
            },
            {"type": "text", "text": "In this UI screenshot, what is the position of the element corresponding to the command \\\"switch language of current page\\\" (with bbox)?"},
        ],
    }
]


# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
# Assuming process_vision_info is available from qwen_vl_utils or a similar helper
# For a minimal example, image_inputs can be directly a list of PIL Images or similar
# If qwen_vl_utils is not installed, manual processing might be needed.
# For simplicity, if this exact helper isn't critical for basic HF inference, we might skip/adapt.
# Here, we assume its presence for direct copy.
image_inputs, video_inputs = process_vision_info(messages) # Requires qwen_vl_utils for this exact function
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# 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=False, clean_up_tokenization_spaces=False
)
print(output_text)
# Expected output example: <|object_ref_start|>language switch<|object_ref_end|><|box_start|>(576,12),(592,42)<|box_end|><|im_end|>

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
2311379

0 моделей