/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
lfm2_vl · dense
Базовая модель
Emhotob-25M-v2
Библиотека
transformers
Опубликована
18 авг 2026

Nawah-VL-25M

Описание изображенийИзображение → текст3 профессии

Компактная мультимодальная модель oddadmix создаёт подписи на современном литературном арабском языке к одиночным изображениям.

29скачиваний за 30 дней0лайковвеса обновлены23 авг 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 «Распознавание текста» — 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

Nawah-VL-25M — компактная мультимодальная модель oddadmix для автоматического создания подписей на современном литературном арабском языке по одному изображению. Она собрана из готовых компонентов: использует замороженную визуальную башню SigLIP2 NaFlex из LiquidAI/LFM2.5-VL-450M, обученный мультимодальный проектор и языковую модель Emhotob-25M-v2. Общий размер — 118 млн параметров; языковая часть содержит 25,3 млн параметров и имеет контекст 2048 токенов.

Модель предназначена для генерации краткого описания основного объекта и его цвета. В README приведены результаты оценки на отложенной выборке: chrF++ 27,4, BLEU 8,2 и perplexity 12,2. Обучение проводилось на арабских подписях к изображениям, автоматически полученных в два этапа из английских описаний, поэтому качество эталонных подписей ограничено. Модель слабо распознаёт текст внутри изображений, может выдумывать правдоподобные названия брендов и иногда ошибается в согласовании арабских слов. Лицензия репозитория — CC-BY-NC-4.0; для визуальной башни также действуют лицензионные условия LiquidAI.

Сценарии применения

  • создание арабских подписей к фотографиям
  • автоматическое описание главного объекта на изображении
  • генерация коротких арабских описаний для каталогов изображений

Ограничения

Слабо распознаёт текст на изображениях, иногда придумывает названия брендов и допускает ошибки арабского согласования. Обучающие подписи были сгенерированы автоматически, что ограничивает интерпретацию метрик по эталонным описаниям.

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

Nawah-VL-25M

An Arabic image-captioning VLM, assembled from existing parts rather than trained from scratch.

PartSourceParamsTrained
Vision towerSigLIP2 NaFlex from LiquidAI/LFM2.5-VL-450M, patch 1685.8Mfrozen
ConnectorLfm2VlMultiModalProjector, 3072→2048→3847.1Myes
Language modeloddadmix/Emhotob-25M-v2 (Llama, hidden 384, 8 layers, 2048 ctx)25.3Mstage 2

118M total. Generates Modern Standard Arabic captions for a single image.

Usage

from transformers import AutoProcessor, AutoModelForImageTextToText
from PIL import Image

model = AutoModelForImageTextToText.from_pretrained("oddadmix/Nawah-VL-25M")
proc  = AutoProcessor.from_pretrained("oddadmix/Nawah-VL-25M")

inputs = proc(text=["<s><image>"], images=[[Image.open("photo.jpg").convert("RGB")]],
              return_tensors="pt", padding=True, padding_side="left")
out = model.generate(**inputs, max_new_tokens=40)
print(proc.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

There is no chat template — the prompt is literally BOS followed by one <image> token, which the processor expands into 32–64 placeholders depending on aspect ratio.

Results

Held-out test split of visheratin/laion-coco-nllb:

metricvalue
chrF++27.4
BLEU8.2
perplexity12.2
grounding gap2.09
distinct captions98.7%

Grounding gap is eval loss with images rotated by one position minus loss with correct pairings. Near zero would mean the model ignores the image and generates from a language prior; 2.09 says the captions are driven by pixels.

Training

Two stages on 405,526 image/caption pairs, from oddadmix/laion-coco-nllb-arabic-filtered (the filtered arb_Arab slice of LAION-COCO-NLLB; 753,883 rows survive filtering, of which 405,526 images were still reachable):

  1. Align — projector only, 2000 updates, LR 1e-3
  2. Finetune — projector + language model, 8000 updates, LR 2e-4 / 5e-5

The projector's linear_1 is warm-started from LFM2.5-VL (identical 2048×3072 shape); linear_2 is randomly initialised and then rescaled so visual tokens enter the residual stream at the same magnitude as text tokens. Without that calibration the visual tokens were ~36× larger and alignment stalled.

Limitations

25.3M parameters in the language model (~13M non-embedding) is far below any standard VLM backbone. It names the main subject and its colour reliably and stops cleanly, but reads text in images poorly, sometimes invents a plausible brand, and its Arabic agreement occasionally slips. The training captions are themselves doubly machine-generated (BLIP English → NLLB Arabic), which caps how much reference-based metrics mean.

The 50M variant

oddadmix/Nawah-VL-50M is the same recipe on a larger Arabic backbone and is better on every measure taken. It is released.

metricthis model (25M)50M
chrF++27.429.0
BLEU8.29.5
perplexity12.28.6
grounding gap2.092.36

Reproducing

Everything needed is in training/ in this repo, and the filtered corpus is published separately. training/HOWTO.md covers the four non-obvious parts.

A 50M-backbone version is available at oddadmix/Nawah-VL-50M.

Attribution

The language model is oddadmix/Emhotob-25M-v2, trained from scratch on Arabic. The vision tower is SigLIP2 as distributed in LiquidAI/LFM2.5-VL-450M, used unmodified and frozen; those weights remain LiquidAI's and their licence terms apply to that component.

License

cc-by-nc-4.0, inherited from the training data — non-commercial use only.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2VlForConditionalGeneration
Ревизия весов
02997fb

0 моделей