/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
7 июл 2026

nanoVLM

Изображение и текст → текст3 профессии

Компактная модель «зрение—язык» на 222 млн параметров для ответов на текстовые запросы по изображениям и экспериментов с VLM.

12скачиваний за 30 дней0лайковвеса обновлены7 июл 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

nanoVLM — компактная модель «зрение—язык» от ndrugov, предназначенная для эффективного обучения и экспериментов. Архитектура реализована на чистом PyTorch и занимает около 750 строк кода: визуальный энкодер ViT SigLIP-B/16-224-85M объединён с лёгкой причинной языковой моделью SmolLM2-135M. Общий размер модели — 222 млн параметров.

Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ. Её можно применять для экспериментов с визуально-языковыми сценариями, например для вопросов об изображениях. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Контекст и поддерживаемые языки в предоставленных источниках не описаны.

Сценарии применения

  • ответы на вопросы об изображениях
  • эксперименты с обучением визуально-языковых моделей
  • создание прототипов приложений для анализа изображений

Ограничения

Языковая поддержка и длина контекста не описаны в предоставленных источниках; компактный размер модели предполагает ограничения по возможностям по сравнению с крупными VLM.

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

nanoVLM is a minimal and lightweight Vision-Language Model (VLM) designed for efficient training and experimentation. Built using pure PyTorch, the entire model architecture and training logic fits within ~750 lines of code. It combines a ViT-based image encoder (SigLIP-B/16-224-85M) with a lightweight causal language model (SmolLM2-135M), resulting in a compact 222M parameter model.

For more information, check out the base model on https://huggingface.co/lusxvr/nanoVLM-222M.

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("ndrugov/nanoVLM")

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
b5f3986

0 моделей