/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
nanovlm
Опубликована
1 мая 2025

nanoVLM-222M

Изображение и текст → текст3 профессии

Компактная vision-language-модель на 222 млн параметров, которая отвечает на текстовые запросы по изображениям и подходит для экспериментов и прототипирования.

367скачиваний за 30 дней103лайкавеса обновлены8 мая 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

nanoVLM-222M — компактная мультимодальная модель для работы с изображениями и текстом, разработанная в рамках проекта nanoVLM. Она объединяет визуальный энкодер ViT на базе SigLIP-B/16-224 и причинную языковую модель SmolLM2 с проекционным слоем; размер модели составляет 222 млн параметров. Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ.

Модель обучена примерно на 1,7 млн примеров набора The Cauldron. В README указана точность 35,3% на MMStar после примерно шести часов обучения на одном GPU NVIDIA H100. nanoVLM рассчитана на эксперименты с обучением и устройством компактных vision-language-моделей, а также на разработку прототипов с небольшими вычислительными затратами.

Репозиторий содержит веса в формате safetensors и использует библиотеку nanoVLM. Лицензия — Apache-2.0. Указанный результат MMStar характеризует конкретную оценку и не гарантирует качество на других задачах; компактный размер модели также может ограничивать точность и охват возможностей по сравнению с более крупными VLM.

Сценарии применения

  • ответы на вопросы по изображениям
  • описание содержимого изображения
  • анализ изображений по текстовому запросу
  • создание прототипов мультимодальных приложений
  • эксперименты с обучением компактных VLM

Ограничения

В README приведён результат 35,3% на MMStar; качество на других наборах и задачах не охарактеризовано. Компактный размер модели может ограничивать её точность и возможности по сравнению с более крупными VLM.

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. The model achieves 35.3% accuracy on MMStar after training for ~6 hours on a single H100 GPU using 1.7M samples from the cauldron dataset, making it a strong baseline for low-resource VLM research.

The model is ideal for researchers and developers interested in exploring VLM training with minimal computational overhead, and serves as a perfect starting point for tinkering with multimodal architectures.

Model Architecture:

  • Vision Transformer (SigLIP-B/16)
  • Causal Language Model (SmolLM2)
  • Modality Projection Layer

Training:

  • Trained on ~1.7M samples from the the_cauldron dataset
  • 6 hours on a single NVIDIA H100 GPU
  • Resulting model size: 222M parameters

Evaluation:

  • MMStar Accuracy: 35.3%

Usage:
Usable through the nanoVLM repository: https://github.com/huggingface/nanoVLM
For more details, see: https://github.com/huggingface/nanoVLM?tab=readme-ov-file#hub-integration

from models.vision_language_model import VisionLanguageModel
model = VisionLanguageModel.from_pretrained("lusxvr/nanoVLM-222M")

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
9df794e

0 моделей