/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
lfm2_vl · dense
Базовая модель
50M-2048-Emhotob
Библиотека
transformers
Опубликована
18 авг 2026

Nawah-VL-50M

Описание изображенийИзображение → текст4 профессии

Компактная визуально-языковая модель для генерации описаний изображений на литературном арабском языке.

24скачиваний 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-50M — небольшая визуально-языковая модель oddadmix для генерации подписей к изображениям на литературном арабском языке. Она объединяет замороженную визуальную башню SigLIP2 NaFlex из LiquidAI/LFM2.5-VL-450M, обученный мультимодальный проектор и языковую модель Llama oddadmix/50M-2048-Emhotob. Всего модель содержит около 145 млн параметров; языковая часть — 51,8 млн параметров с контекстом 2048 токенов.

Модель принимает одно изображение и генерирует арабское описание его содержимого. Она дообучена на 405 526 парах изображений и подписей из арабской части LAION-COCO-NLLB; заявленные метрики на отложенной выборке — chrF++ 29,0 и BLEU 9,5. Для запуска используется Transformers; чат-шаблона нет, ожидаемый ввод — BOS и один маркер изображения.

Модель часто лучше согласует арабские фразы и реже выдумывает детали, чем вариант Nawah-VL-25M, однако плохо читает текст внутри изображений и может уверенно сообщать неверные сведения. Обучающие подписи получены машинным переводом машинных описаний, что ограничивает интерпретацию метрик. Лицензия репозитория — CC BY-NC 4.0; для замороженных весов SigLIP2 также действуют условия лицензии LiquidAI/LFM2.5-VL-450M.

Сценарии применения

  • создание арабских подписей к фотографиям
  • автоматическое описание изображений для каталога
  • генерация арабского alt-текста для изображений
  • сопоставление изображения с кратким арабским описанием

Ограничения

Модель слабо распознаёт текст внутри изображений и иногда уверенно генерирует неверные детали. Метрики могут быть ограничены тем, что обучающие подписи получены машинной генерацией и переводом.

Для каких профессий подходит4

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-50M

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

PartSourceParamsTrained
Vision towerSigLIP2 (NaFlex) from LiquidAI/LFM2.5-VL-450M85.8Mfrozen
ConnectorLfm2VlMultiModalProjector, 3072→2048→5127.1Myes
Language modeloddadmix/50M-2048-Emhotob (Llama, hidden 512, 12 layers, 2048 ctx)51.8Mstage 2

145M 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-50M")
proc  = AutoProcessor.from_pretrained("oddadmix/Nawah-VL-50M")

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++29.0
BLEU9.5
perplexity8.6
grounding gap2.36
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; 2.36 says the captions are driven by pixels.

Training

Two stages on 405,526 image/caption pairs (the arb_Arab slice of LAION-COCO-NLLB):

  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

51.8M parameters in the language model (~35M non-embedding) is still well below a standard VLM backbone. Against the 25M variant it fixes most Arabic agreement errors and invents far fewer details, but it still reads text inside images poorly and will occasionally state something confidently wrong. The training captions are themselves doubly machine-generated (BLIP English → NLLB Arabic), which caps how much reference-based metrics mean.

Reproducing

Everything needed is in training/ in this repo. The filtered corpus is published at oddadmix/laion-coco-nllb-arabic-filtered, so data_prep.py can be skipped. training/HOWTO.md covers the four non-obvious parts, including the projector scale calibration without which alignment stalls.

Set ARABIC_VLM_LM=oddadmix/50M-2048-Emhotob and run scripts/run_training_50m.sh.

Attribution

The language model is oddadmix/50M-2048-Emhotob, 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.

Compared with oddadmix/Nawah-VL-25M

metric25M50M
chrF++27.429.0
BLEU8.29.5
perplexity12.28.6
grounding gap2.092.36

Same vision tower, same 405,526 pairs, same schedule -- only the language backbone differs. The grounding gap rising while loss fell is the part worth noting: the extra capacity went into using the image, not into memorising Arabic caption phrasing. A larger model that had simply learned the caption distribution better would show the opposite.

In practice the 50M fixes most of the 25M's Arabic agreement errors and invents far fewer details. Where the 25M writes زجاجة ماء "سوبر" مع مقبض أحمر for a plain red bottle, this one writes زجاجة ماء حمراء مع غطاء أبيض, which is correct on both colour and part.

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
6cebff8

0 моделей