/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
23 июн 2026

nanoVLM

Изображение и текст → текст

nanoVLM — компактная модель зрения и языка для ответов текстом на запросы об изображениях и экспериментов с обучением VLM.

8скачиваний 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

nanoVLM — компактная мультимодальная модель компьютерного зрения и языка, созданная для эффективного обучения и экспериментов. Архитектура реализована на PyTorch: визуальный кодировщик ViT на базе SigLIP-B/16-224-85M объединён с небольшой авторегрессионной языковой моделью SmolLM2-135M; общий размер составляет 222 млн параметров. Модель предназначена для передачи изображения вместе с текстовым запросом и получения текстового ответа, например для описания изображений и ответов на вопросы о них.

Код модели и логика обучения, согласно карточке, занимают около 750 строк, что делает проект удобным для изучения и модификации. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • создание кратких описаний изображений
  • эксперименты с обучением мультимодальных моделей
  • изучение простой архитектуры VLM на PyTorch

Ограничения

Компактный размер модели предполагает более ограниченные возможности по сравнению с крупными VLM. Карточка не сообщает о поддерживаемых языках или длине контекста.

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("ns24/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
077d216

0 моделей