/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Архитектура
qwen3 · dense
Базовая модель
siglip-so400m-patch14-384
Библиотека
transformers
Опубликована
20 ноя 2025

llava-extract-from-scratch-qwen3-0.6B

Генерация текстаТекст → текст4 профессии

Компактная мультимодальная модель для извлечения из изображений деталей, необходимых для последующего рассуждения.

110скачиваний за 30 дней0лайковвеса обновлены25 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 «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

Extract-0.6B — компактная мультимодальная модель восприятия из двухэтапной системы Extract+Think, описанной в работе «Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models». Она построена на архитектуре LlavaQwen3ForCausalLM и объединяет Qwen3-0.6B с визуальным энкодером SigLIP SO400M. Размер модели — около 508 млн параметров, контекст — до 40 960 токенов.

Модель предназначена для извлечения из изображения деталей, важных для инструкции, и передачи полученных сведений отдельной модели этапа рассуждения. Вариант обучен с нуля в рамках визуальной настройки на извлечение, без предварительной визуальной настройки по инструкциям или обучения описанию изображений. В README упоминается оценка через lmms-eval. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Извлечение указанных пользователем деталей из изображения
  • Подготовка визуальных данных для отдельной модели рассуждения
  • Ответы на текстовые вопросы об изображении
  • Оценка небольших мультимодальных моделей на визуальных задачах

Ограничения

Модель предназначена для этапа визуального восприятия и рассчитана на передачу результата отдельной модели рассуждения. README не сообщает результаты оценки или сведения о лицензии.

Для каких профессий подходит4

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

Extract+Think Model Card for markendo/llava-extract-from-scratch-qwen3-0.6B

This repository hosts the Extract-0.6B† model, which serves as the perception module for the two-stage Extract+Think† framework. This model was presented in the paper Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models.

Extract+Think is an approach designed to address perception and reasoning bottlenecks in small multimodal models. It focuses on visual extraction tuning, explicitly training the model to consistently extract instruction-relevant visual details across tasks, which then feeds into a separate reasoning stage. In this variant, we train from scratch under the visual extraction tuning paradigm, without previous visual instruction tuning or captioning.

Model details

Extract-0.6B† is used as the perception module for the two-stage Extract+Think† framework. For the reasoning stage, the authors primarily utilize Qwen3 models (1.7B and 4B).

Usage

To use this model, particularly for evaluation, the authors utilize the lmms-eval framework. The setup and evaluation instructions are detailed in the GitHub repository. This involves cloning the repository, installing dependencies, and integrating custom evaluation files with lmms-eval.

For generating extracted visual information, the following command is provided:

cd lmms-eval
model_name=markendo/llava-extract-from-scratch-qwen3-0.6B
python -m lmms_eval \
    --model=llava_onevision \
    --model_args=pretrained=$model_name,conv_template=qwen_1_5,device_map=auto \
    --tasks=mmstar_prism_stage_1 \
    --batch_size=1 \
    --output_path results \
    --log_samples

Please refer to the GitHub repository for full setup instructions, including the second stage of reasoning.

Acknowledgments

This repository is built on top of LLaVA-OneVision and lmms-eval.

Citation

@article{endo2025downscalingintelligence,
  author    = {Endo, Mark and Yeung-Levy, Serena},
  title     = {Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models},
  journal   = {arXiv preprint},
  year      = {2025},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwen3ForCausalLM
Ревизия весов
2616884

0 моделей