/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
5 сен 2025

nanoVLM-460M-8k

Изображение и текст → текст3 профессии

Мультимодальная модель nanoVLM принимает изображение и текстовый запрос и формирует текстовый ответ.

209скачиваний за 30 дней1лайквеса 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-460M-8k — мультимодальная модель для работы с изображениями и текстом, доступная в формате Safetensors и рассчитанная на использование через библиотеку nanoVLM. В README приведён пример загрузки модели из репозитория с помощью класса VisionLanguageModel.

Модель предназначена для задач image-text-to-text: она принимает изображение вместе с текстовым запросом и формирует текстовый ответ. Карточка не описывает конкретные сценарии, языки или ограничения качества. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • ответы на вопросы об изображении
  • описание содержимого изображения
  • анализ изображения по текстовой инструкции

Ограничения

В карточке не приведены сведения о поддерживаемых языках, контекстном окне или оценках качества; конкретные ограничения применения 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

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-460M-8k")
"results": {
        "docvqa_val_anls": 0.7695125277111309,
        "docvqa_val_anls_stderr": 0.00541393399604242,
        "infovqa_val_anls": 0.3571108969338406,
        "infovqa_val_anls_stderr": 0.007752114157367035,
        "mme_mme_cognition_score": 302.5,
        "mme_mme_perception_score": 1259.329131652661,
        "mmmu_val_mmmu_acc": 0.31889,
        "mmstar_coarse perception": 0.5657538907367322,
        "mmstar_average": 0.36039272693114954,
        "mmstar_fine-grained perception": 0.30654016212232865,
        "mmstar_instance reasoning": 0.4100153400624586,
        "mmstar_logical reasoning": 0.36221314439136226,
        "mmstar_math": 0.2498719148177849,
        "mmstar_science & technology": 0.26796190945623083,
        "ocrbench_ocrbench_accuracy": 0.688,
        "scienceqa_exact_match": 0.565432680971469,
        "scienceqa_exact_match_stderr": 0.007612653385710115,
        "textvqa_val_exact_match": 0.6537400000000001,
        "textvqa_val_exact_match_stderr": 0.006407293747178485,
        "chartqa_relaxed_overall": 0.7288,
        "chartqa_relaxed_overall_stderr": 0.008893360486581982,
        "chartqa_relaxed_human_split": 0.552,
        "chartqa_relaxed_human_split_stderr": 0.01407107658130413,
        "chartqa_relaxed_augmented_split": 0.9056,
        "chartqa_relaxed_augmented_split_stderr": 0.00827318974367371,
        "ai2d_exact_match": 0.4375,
        "ai2d_exact_match_stderr": 0.0625,
        "mathvista_testmini_cot_gpt_eval_score": 34.9,
        "mathvista_testmini_format_gpt_eval_score": 40.3,
        "mathvista_testmini_solution_gpt_eval_score": 35.2
    }

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
1a7d00d

0 моделей