/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
1 июл 2026

qwen3_vl_8b_vqa_wiki

Изображение и текст → текст3 профессии

Мультимодальная модель Qwen3-VL-8B, дообученная отвечать на вьетнамском языке на вопросы о содержимом изображений.

12скачиваний за 30 дней0лайковвеса обновлены1 июл 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 «Изображение → 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

Qwen3-VL-8B VQA Wiki — созданная разработчиком phunguyendinhkh мультимодальная модель на базе Qwen/Qwen3-VL-8B-Instruct, дообученная методом QLoRA и объединённая с базовыми весами. Она предназначена для ответов на вопросы о содержимом изображений на вьетнамском языке, в том числе в сценариях визуальных вопросов и ответов по материалам Wiki и VietTravelVQA-подобного набора данных.

Модель использует архитектуру Qwen3-VL с 8 млрд параметров и принимает изображения вместе с текстовыми вопросами, выдавая текстовые ответы. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей о контексте.

Сценарии применения

  • ответы на вьетнамском языке на вопросы о фотографиях
  • извлечение сведений о достопримечательностях из изображений
  • визуальные вопросы и ответы по материалам Wiki
  • ответы на вопросы по изображениям из туристического контента

Ограничения

Дообучение ориентировано на вьетнамские вопросы и ответы по изображениям; качество на других языках и задачах не описано. Карточка не приводит результатов сравнительных оценок.

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

Qwen3-VL-8B VQA Wiki

Merged Qwen3-VL-8B-Instruct model fine-tuned for Vietnamese image question answering on the local data_wiki / VietTravelVQA-style dataset.

Training summary:

  • Base model: Qwen/Qwen3-VL-8B-Instruct
  • Fine-tuning: QLoRA, merged into bf16 full weights
  • Dataset format: single-image VQA with Vietnamese questions and answers
  • Final checkpoint merged: checkpoint-191

Example loading:

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

model_id = "phunguyendinhkh/qwen3_vl_8b_vqa_wiki"
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id,
    dtype="auto",
    device_map="auto",
)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
c6d23da

0 моделей