/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
9,1 ГБ
Архитектура
llava · dense
Базовая модель
llama-joycaption-beta-one-hf-llava
Библиотека
mlx
Опубликована
10 дек 2025

llama-joycaption-beta-one-hf-llava-mlx-8Bit

Изображение и текст → текст3 профессии

Квантизированный 8-битный порт JoyCaption для Apple Silicon, создающий подробные текстовые описания изображений.

236скачиваний за 30 дней0лайковвеса обновлены2 мар 2026

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

Llama JoyCaption Beta One в формате MLX — визуально-языковая модель для создания подробных текстовых описаний изображений. Порт модели fancyfeast/llama-joycaption-beta-one-hf-llava подготовлен для эффективного инференса на Apple Silicon; разработчик порта — n0kovo. Архитектура LLaVA объединяет визуальный энкодер SigLIP2 и языковую модель Llama 3.1 8B.

Модель принимает изображения и формирует текстовые подписи, в частности для подготовки данных и обучения моделей генерации изображений. Языковые веса, проектор и совместимые слои энкодера квантизированы до 8 бит с размером группы 64; часть слоёв энкодера оставлена в FP16. Репозиторий содержит веса safetensors для библиотеки MLX. Лицензия в предоставленных данных не описана.

Сценарии применения

  • Создание подписей к изображениям для датасета генерации изображений
  • Подготовка текстовых описаний изображений для обучения диффузионных моделей
  • Получение подробного текстового описания отдельного изображения

Ограничения

Порт рассчитан на инференс с MLX на Apple Silicon. Часть слоёв визуального энкодера хранится в FP16, поэтому модель не полностью 8-битная.

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

Llama JoyCaption Beta One (MLX 8-bit)

MLX port of fancyfeast/llama-joycaption-beta-one-hf-llava, quantized to 8-bit for efficient inference on Apple Silicon.

JoyCaption is a free, open, and uncensored image captioning VLM built on Llama 3.1 8B and SigLIP2, designed for generating descriptive captions to train diffusion models.

Model Details

ArchitectureLLaVA (SigLIP2 vision encoder + Llama 3.1 8B)
Quantization8-bit (group_size=64)
Vision encodergoogle/siglip2-so400m-patch14-384
Image resolution384x384
Total size~9.1 GB

Usage with mlx-vlm

pip install mlx-vlm
import mlx.core as mx
from mlx_vlm import load, generate
from mlx_vlm.prompt_utils import apply_chat_template
from mlx_vlm.utils import load_config

MODEL = "n0kovo/llama-joycaption-beta-one-hf-llava-mlx-8Bit"

model, processor = load(MODEL)
config = load_config(MODEL)

prompt = apply_chat_template(
    processor,
    config,
    "Write a long descriptive caption for this image in a formal tone.",
    num_images=1,
)

output = generate(
    model,
    processor,
    prompt,
    image="image.jpg",
    max_tokens=512,
    temperature=0.6,
)
print(output)

Conversion Notes

  • Language model weights quantized to 8-bit via mlx-lm
  • Vision encoder weights quantized to 8-bit where layer dimensions allow (group_size=64); 28 MLP layers with incompatible dimensions (4304, not divisible by 64) are kept in float16
  • Projector weights quantized to 8-bit

Credits

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
f637b63

0 моделей