/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
22 июн 2026

nanoVLM-encoder-free

Изображение и текст → текст3 профессии

Минималистичная vision-language модель без визуального энкодера, передающая пиксельные патчи в языковую модель для задач по изображениям.

10скачиваний за 30 дней0лайковвеса обновлены23 июн 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

Encoder-free nanoVLM — минималистичная vision-language модель с архитектурой без отдельного визуального энкодера. Она разработана ndrugov и принимает изображение и текст: изображение масштабируется с сохранением пропорций, разбивается на патчи исходных пикселей и передаётся языковой модели через embedder и projector. Число визуальных токенов зависит от размера изображения.

Языковая основа — причинная языковая модель Hugging Face, по умолчанию Qwen/Qwen3-1.7B. Модель предназначена для сценариев взаимодействия с изображениями на естественном языке; для загрузки требуется собственный код репозитория, а не прямой вызов через Transformers. Репозиторий распространяется по лицензии MIT. В карточке нет сведений о поддерживаемых языках и длине контекста.

Сценарии применения

  • ответы на вопросы об изображениях
  • описание содержимого изображения по текстовому запросу
  • передача изображения языковой модели для мультимодального диалога

Ограничения

Для загрузки необходим собственный код репозитория; напрямую через Transformers модель не загружается. Отдельного визуального энкодера нет, а число визуальных токенов меняется в зависимости от размера изображения.

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

Encoder-free nanoVLM is a minimal Vision-Language Model with no vision encoder. Images are resized (aspect-ratio preserving), patchified, and fed as raw pixel patches straight into the language model via a thin embedder + projector — the number of image ("soft") tokens varies with image size. The language backbone is a HuggingFace causal LM (Qwen/Qwen3-1.7B by default).

Usage:

This is a custom architecture, so the model is loaded with the repo's own code (not transformers directly). Clone the repo, install its dependencies, then:

from models.vision_language_model import VisionLanguageModel

model = VisionLanguageModel.from_pretrained("ndrugov/nanoVLM-encoder-free")

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
da7c8f3

0 моделей