模型名称：thesby/Qwen3-VL-8B-NSFW-Caption-V4.5
欢迎加入 Discord 进行友好交流。
模型简介 (Model Description)
thesby/Qwen3-VL-8B-NSFW-Caption-V4.5 是一个专为高质量图像描述（Image Captioning）而优化的多模态大模型。该模型基于强大的 Qwen/Qwen3-VL-8B-Instruct 进行Lora微调，旨在提供卓越的图像理解和描述生成能力。
我们在一个包含约 200 万 高质量图文对的混合数据集上对模型进行了训练，使其在多个维度上都表现出色。
主要更新(New Features)
- 解决英文prompt拒绝描述图片的问题：
- 支持短视频描述
主要特点 (Key Features)
- 超高质量的图片描述能力 (Ultra-High Quality Captions)： 模型能够精准捕捉图像中的核心主体、环境背景、人物情绪、物体材质和光影等丰富细节，描述能力超过 gpt4.1-mini，接近于 gemini-2.5-flash。
- SFW & NSFW 内容全覆盖 (Support for both SFW & NSFW Content)： 经过特殊的数据集训练，模型能够有效识别并描述 SFW (Safe for Work) 和 NSFW (Not Safe for Work) 类型的图像内容。无论是日常生活场景还是成人向内容，都能生成恰当且信息丰富的描述，极大地拓宽了模型的适用边界。
- 超长文本描述能力 (Long-form Detailed Description)： 与传统模型生成简短标题不同，本模型擅长对复杂的图像场景进行详尽入微的描绘。它可以生成包含数百个单词的详细段落，深入分析图像的叙事结构和潜在含义，尤其适合需要深度内容解读的应用场景。
如何使用 (How to Use)
使用 vllm 可以获得更好的性能，请参考脚本：get_vlm_caption.py
transformers 使用方式和 Qwen/Qwen3-VL-8B-Instruct 完全相同，模型在图片最大尺寸 800*800 微调，遵从这一设置可以获得更好的效果。
from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
"thesby/Qwen3-VL-8B-NSFW-Caption-V4.5", dtype="auto", device_map="auto"
)
# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen3VLForConditionalGeneration.from_pretrained(
# "thesby/Qwen3-VL-8B-NSFW-Caption-V4.5",
# dtype=torch.bfloat16,
# attn_implementation="flash_attention_2",
# device_map="auto",
# )
processor = AutoProcessor.from_pretrained("thesby/Qwen3-VL-8B-NSFW-Caption-V4.5")
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
},
{"type": "text", "text": "请用自然流畅的中文对以下图片进行全面而详细的描述。包括所有可见元素及其属性（如颜色、大小、形状、质地），它们的空间关系，以及任何显著特征或上下文。确保用自然流畅的中文描述清晰、生动，能够捕捉图片的每一个方面，不遗漏任何重要细节。"},
],
}
]
# Preparation for inference
inputs = processor.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
return_tensors="pt"
)
inputs = inputs.to(model.device)
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=2048)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)
视频只需要将按照 fps=1 抽帧作为图片放入 messages 即可。
用途与限制 (Uses and Limitations)
预期用途 (Intended Uses)
- 自动化内容标注：为海量图片生成高质量的描述和标签，用于内容管理、检索和推荐系统。
- 无障碍辅助功能：为视障用户描述图像内容，帮助他们理解视觉信息。
- 创意内容生成：作为灵感来源，为艺术创作、故事写作、广告文案等提供基于图像的文本描述。
- 数字内容分析：对包括SFW和NSFW在内的多种图像内容进行自动化分析和归档。
不适用范围 (Out-of-Scope)
- 本模型不应用于生成任何有害、非法、歧视性或侵犯他人隐私的内容。
- 模型的输出不应被视为绝对事实，更不能用于任何需要高精度和高可靠性的关键决策（如医疗诊断、法律判决等），所有重要应用都需有人工审核。
- 用户在使用模型处理NSFW内容时，应严格遵守当地法律法规，并承担相应责任。
局限性与偏见 (Limitations and Bias)
- 幻觉 (Hallucination)：与所有大模型一样，本模型可能产生“幻觉”，即生成图像中不存在的细节。
- 数据偏见 (Data Bias)：模型的输出可能反映其训练数据中存在的社会和文化偏见（例如，在性别、种族或年龄方面的刻板印象）。
- NSFW判断边界：对于处于SFW和NSFW边界的模糊图像，模型的判断和描述可能与人类预期不符。
训练细节 (Training Details)
训练数据 (Training Data)
本模型在一个精心构建的、约 200 万 图文对的数据集上进行了微调。该数据集经过严格的筛选和清洗，混合了：
- 高质量的公开图文数据集。
- 专门收集和标注的、涵盖广泛SFW和NSFW场景的私有数据集。 数据分布旨在提升模型在细节捕捉和长文本生成方面的能力，同时确保对不同类型内容的泛化性。
训练过程 (Training Procedure)
- 基础模型 (Base Model)：
Qwen/Qwen3-VL-8B-Instruct - 微调策略 (Finetuning Strategy)：Lora微调 (Lora Fine-tuning)
- 框架 (Framework)：unsloth
计划 (Plans)
- 提高人物动作描述准确性
- 提高视频描述准确性
- 恢复Qwen3-VL通用视觉能力