/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
9 сен 2025

nanoVLM-230M-8k

Изображение и текст → текст3 профессии

Мультимодальная модель nanoVLM принимает изображения и текстовые запросы и формирует текстовые ответы по содержимому изображения.

316скачиваний за 30 дней4лайкавеса обновлены10 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-230M-8k — мультимодальная модель семейства nanoVLM для обработки изображений и текста. Репозиторий использует библиотеку nanoVLM и формат весов safetensors; карточка помечает модель как vision-language и research. Лицензия — MIT.

Модель предназначена для сценариев image-text-to-text: пользователь передаёт изображение и текстовый запрос, а модель формирует текстовый ответ. README показывает загрузку через библиотеку nanoVLM, но пример ссылается на репозиторий с суффиксом «-2», поэтому идентификатор загрузки в примере не совпадает с карточкой lusxvr/nanoVLM-230M-8k. В предоставленных данных нет сведений о размере параметров, длине контекста, поддерживаемых языках, качестве и конкретных ограничениях применения.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого изображения
  • извлечение визуальных сведений по текстовому запросу

Ограничения

README содержит пример загрузки с идентификатором lusxvr/nanoVLM-230M-8k-2, отличающимся от идентификатора этой карточки. Данных о качестве модели и поддерживаемых языках нет.

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

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-230M-8k-2")
"results": {
        "docvqa_val_anls": 0.772357483001645,
        "docvqa_val_anls_stderr": 0.005426685320059236,
        "infovqa_val_anls": 0.27699762812164563,
        "infovqa_val_anls_stderr": 0.007008485987608615,
        "mme_mme_cognition_score": 242.85714285714286,
        "mme_mme_perception_score": 1132.1020408163265,
        "mmmu_val_mmmu_acc": 0.29889,
        "mmstar_coarse perception": 0.48384750306507346,
        "mmstar_average": 0.36924953254941295,
        "mmstar_fine-grained perception": 0.36457258658806185,
        "mmstar_instance reasoning": 0.344255653063192,
        "mmstar_logical reasoning": 0.34837483748374837,
        "mmstar_math": 0.390821304464047,
        "mmstar_science & technology": 0.283625310632355,
        "ocrbench_ocrbench_accuracy": 0.727,
        "scienceqa_exact_match": 0.5868898844612119,
        "scienceqa_exact_match_stderr": 0.0075618541822843575,
        "textvqa_val_exact_match": 0.59624,
        "textvqa_val_exact_match_stderr": 0.006634483834869976,
        "chartqa_relaxed_overall": 0.732,
        "chartqa_relaxed_overall_stderr": 0.008860124193276758,
        "chartqa_relaxed_human_split": 0.544,
        "chartqa_relaxed_human_split_stderr": 0.014092909141495816,
        "chartqa_relaxed_augmented_split": 0.92,
        "chartqa_relaxed_augmented_split_stderr": 0.007676401612303169,
        "ai2d_exact_match": 0.41547927461139894,
        "ai2d_exact_match_stderr": 0.008869646776634895,
        "mathvista_testmini_cot_gpt_eval_score": 32.1,
        "mathvista_testmini_format_gpt_eval_score": 36.7,
        "mathvista_testmini_solution_gpt_eval_score": 32.7
    }

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
a76fa2d

0 моделей