/ Модель

Характеристики

Контекст
262 144 токена
Параметры
8 млрд
Размер весов
17,8 ГБ
Лицензия
Своя лицензия
Архитектура
nemotron_labs_diffusion_vlm · dense
Библиотека
transformers
Опубликована
8 мая 2026

Nemotron-Labs-Diffusion-VLM-8B

Генерация текстаТекст → текст7 профессий

Мультимодальная модель NVIDIA на 8 млрд параметров для диалога и генерации текстовых ответов по изображениям и текстовым запросам.

1 184скачиваний за 30 дней33лайкавеса обновлены3 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Nemotron-Labs-Diffusion-VLM-8B — мультимодальная модель NVIDIA, расширяющая семейство Nemotron-Labs-Diffusion для работы с изображениями и текстом. Она принимает изображения и текст в чередующихся фрагментах и генерирует текст. Модель содержит 8 млрд параметров и использует плотную архитектуру: языковой блок на 34 слоя с размерностью 4096 и визуальный энкодер в стиле Pixtral на 24 слоя с размерностью 1024. Поддерживаются изображения размером до 1540 × 1540 пикселей и контекст длиной до 262 144 токенов.

Языковая часть поддерживает авторегрессионный режим, диффузионное декодирование и self-speculation. При диффузионном декодировании модель может формировать блоки токенов параллельно, а затем проверять их авторегрессионно, используя общий KV-кэш. Это позволяет применять модель для диалога и ответов на вопросы по изображениям, сохраняя разные режимы генерации текста. Для работы README указывает Transformers версии 5.0.0 или новее. Лицензия обозначена как other; условия использования следует сверять с условиями NVIDIA.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого изображения
  • диалог с изображениями и текстом
  • анализ фотографий и визуальных материалов
  • генерация текста по мультимодальному запросу

Ограничения

Лицензия обозначена как other, поэтому перед использованием следует проверить условия NVIDIA. README рекомендует оценить соответствие модели требованиям конкретной области применения и учитывать риски качества, безопасности, приватности и предвзятости.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nemotron-Labs-Diffusion-VLM-8B

Demo

Model Overview

Nemotron-Labs-Diffusion-VLM-8B is the vision-language extension of the Nemotron-Labs-Diffusion family. It pairs the same tri-mode language backbone (AR / diffusion / self-speculation, switchable by attention pattern) with a vision encoder, accepting interleaved image + text input and producing text output. The diffusion-based parallel decoding from the LM family carries over to VLM: the language head can draft a block in parallel and verify autoregressively against shared KV cache, retaining the family's decode-efficiency story while extending it to multimodal prompts.

Key Design

  • 8B vision-language model in the Nemotron-Labs-Diffusion family — same tri-mode language backbone (AR, diffusion, self-speculation) plus a Pixtral-style vision encoder.
  • Vision encoder: 24-layer, 1024-hidden, 14×14 patch, supports up to 1540×1540 images with spatial_merge_size=2.
  • Language decoder weights match nvidia/Nemotron-Labs-Diffusion-8B (34 layers, 4096 hidden, 14336 intermediate); the model card structure and inference modes inherit from the LM line.
  • Diffusion-based parallel decoding works for multimodal prompts: image tokens are placed in the bidirectional context window and text generation proceeds via the same block-wise unmasking + AR verification as the LM family.

License/Terms of Use

Use of this model is governed by the NVIDIA Source Code License (NSCLv1).

Environment

transformers>=5.0.0
pillow
requests
opencv-python

Chat with Our Model

import sys
import torch
from huggingface_hub import snapshot_download
from transformers import AutoModel, AutoTokenizer

repo_name = "nvidia/Nemotron-Labs-Diffusion-VLM-8B"
sys.path.insert(0, snapshot_download(repo_name))
from image_processing import process_messages

tokenizer = AutoTokenizer.from_pretrained(repo_name, trust_remote_code=True)
model = AutoModel.from_pretrained(repo_name, trust_remote_code=True).cuda().to(torch.bfloat16)

image_path = "path/to/your/image.jpg"  # local file or http(s):// URL
messages = [{
    "role": "user",
    "content": [
        {"type": "image_url", "image_url": {"url": image_path}},
        {"type": "text", "text": "Describe this image."},
    ],
}]

batch = process_messages(tokenizer, messages, add_generation_prompt=True)
prompt_ids = batch["input_ids"].to("cuda")
pixel_values = batch["pixel_values"].to("cuda", dtype=torch.bfloat16)

out_ids, nfe = model.generate(
    prompt_ids,
    pixel_values=pixel_values,
    image_sizes=batch["image_sizes"],
    max_new_tokens=512, steps=512, block_length=32,
    shift_logits=False, threshold=0.9,
    eos_token_id=tokenizer.eos_token_id,
)

tokenized_out = tokenizer.batch_decode(out_ids[:, prompt_ids.shape[1]:], skip_special_tokens=True)
print(f"Model: {tokenized_out[0]}")
print(f"[Num Function Eval (NFE)={nfe}]")

Ethical Considerations

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse. For more detailed information on ethical considerations for this model, please see the bias, explainability, safety & security, and privacy subcards.

Please report model quality, risk, security vulnerabilities or NVIDIA AI Concerns here.

Citations

@techreport{fu2026nemotronlabsdiffusion,
  title       = {Nemotron-Labs-Diffusion: A Tri-Mode Language Model Unifying Autoregressive, Diffusion, and Self-Speculation Decoding},
  author      = {Yonggan Fu and Lexington Whalen and Abhinav Garg and Chengyue Wu and Maksim Khadkevich and Nicolai Oswald and Enze Xie and Daniel Egert and Sharath Turuvekere Sreenivas and Shizhe Diao and Chenhan Yu and Ye Yu and Weijia Chen and Sajad Norouzi and Jingyu Liu and Shiyi Lan and Ligeng Zhu and Jin Wang and Jindong Jiang and Morteza Mardani and Mehran Maghoumi and Song Han and Ante Jukic and Nima Tajbakhsh and Jan Kautz and Pavlo Molchanov},
  institution = {NVIDIA},
  year        = {2026},
  note        = {Technical report}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
NemotronLabsDiffusionVLMModel
Ревизия весов
adca93d

0 моделей