/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
23 мая 2025

nanoVLM

Изображение и текст → текст3 профессии

Компактная vision-language-модель на 222 млн параметров для экспериментов с генерацией текстовых ответов по изображениям.

53скачиваний за 30 дней6лайковвеса обновлены13 сен 2025

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

lusxvr/nanoVLM — компактная мультимодальная модель для работы с изображениями и текстом, созданная как минималистичная основа для обучения и экспериментов. Архитектура написана на PyTorch и объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M и лёгкую авторегрессионную языковую модель SmolLM2-135M; общий размер составляет 222 млн параметров.

Модель предназначена для исследования и экспериментов с обучением vision-language-моделей и генерацией текстовых ответов по изображениям. Она принимает изображение и текстовый запрос, а выдаёт текст. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Языки и длина контекста в предоставленных данных не определены.

Сценарии применения

  • получение текстового описания изображения
  • ответы на вопросы о содержимом изображения
  • эксперименты с обучением компактных VLM
  • создание прототипа приложения с визуальным диалогом

Ограничения

Модель компактная и ориентирована на обучение и эксперименты; качество ответов и поддерживаемые языки в карточке не описаны.

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

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("lusxvr/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
b05900a

0 моделей