/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
54,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.6-27B-abliterated-rMAX
Библиотека
transformers
Опубликована
30 апр 2026

CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled

Изображение и текст → текст3 профессии

Экспериментальная мультимодальная модель на базе Qwen для создания подробных англоязычных описаний изображений по визуальному содержимому и текстовым инструкциям.

33скачиваний за 30 дней8лайковвеса обновлены1 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 «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

CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled — экспериментальная мультимодальная модель prithivMLmods для создания подробных, связных и контекстных описаний изображений. Она построена на дообученной модели prithivMLmods/Qwen3.6-27B-abliterated-rMAX и использует дистилляцию длинных подписей в стиле BLIP3o; заявленный размер — 27 млрд параметров. Модель принимает изображения и текстовые инструкции, а в ответ генерирует текстовые подписи и описания. В карточке указана поддержка английского языка.

Модель подходит для описания изображений, мультимодальных исследований и экспериментов с визуально-языковым выравниванием. Карточка также отмечает способность следовать инструкциям и сниженные механизмы отказа. Модель экспериментальная, может выдавать артефакты, а ослабленные отказы повышают риск небезопасных или чувствительных ответов; для запуска требуются значительные вычислительные ресурсы. Лицензия — Apache-2.0.

Сценарии применения

  • создание подробных подписей к изображениям
  • составление контекстных описаний фотографий и иллюстраций
  • ответы на текстовые вопросы об изображении
  • исследование качества длинных описаний изображений
  • эксперименты с визуально-языковым выравниванием

Ограничения

Модель экспериментальная и может выдавать артефакты; из-за ослабленных механизмов отказа способна генерировать чувствительный или небезопасный контент. Для инференса модели размером 27 млрд параметров требуются значительные вычислительные ресурсы.

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

1

CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled

CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled is a high-capability long-caption generation model built on top of Qwen/Qwen3.6-27B, derived from prithivMLmods/Qwen3.6-27B-abliterated-rMAX. This model is optimized for rich, detailed, and context-aware captioning, leveraging BLIP3o-style long caption distillation combined with advanced abliteration strategies to reduce refusal behaviors while maintaining strong reasoning and instruction-following performance.

[!IMPORTANT] This model is intended strictly for research and learning purposes. Due to reduced internal refusal mechanisms, it may generate sensitive or unrestricted content. Users assume full responsibility for how the model is used. The authors and hosting platform disclaim any liability for generated outputs.

[!NOTE] Note: This model is experimental and may generate artifacts.

Key Highlights

  • BLIP3o Long-Caption Distillation: Trained to generate highly descriptive, structured, and context-rich captions.
  • Cap-Optimized Architecture: Fine-tuned specifically for long-form captioning and multimodal descriptive tasks.
  • Abliterated rMAX Base: Built on an aggressively abliterated backbone to minimize refusal behaviors and maximize response openness.
  • 27B Parameter Model: Leverages the full capability of Qwen3.6-27B for strong reasoning and generation quality.
  • Instruction + Caption Fusion: Handles both instruction-following and detailed caption generation seamlessly.
  • High-Coherence Outputs: Maintains consistency across long generations with improved contextual grounding.

Base Model Signatures:

This model has been re-sharded and optimized for the latest Transformers version from the base model: https://huggingface.co/huihui-ai/Huihui-Qwen3.6-27B-abliterated.


Datasets Used

The model is trained on a curated mixture of long-caption and optimization datasets:

  • Caption Datasets

    • prithivMLmods/Caption3o-LongCap-v4
    • prithivMLmods/Caption3o-XL-v4
    • prithivMLmods/Caption3o-Opt-v3
    • prithivMLmods/Caption3o-Opt-v3-Tiny
  • Alignment / Evaluation Dataset

    • prithivMLmods/harm_bench

These datasets collectively enhance long-form caption quality, structural richness, and robustness under diverse prompts.

Model Architecture

  • Base Model: Qwen/Qwen3.6-27B
  • Derived From: prithivMLmods/Qwen3.6-27B-abliterated-rMAX
  • Model Type: BLIP3o Long-Caption Distilled
  • Parameter Count: 27 Billion

Quick Start with Transformers

pip install transformers==5.4.0
# or latest
pip install git+https://github.com/huggingface/transformers.git
from transformers import Qwen3_5ForConditionalGeneration, AutoProcessor
import torch

model = Qwen3_5ForConditionalGeneration.from_pretrained(
    "prithivMLmods/CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled",
    torch_dtype="auto",
    device_map="auto"
)

processor = AutoProcessor.from_pretrained(
    "prithivMLmods/CapQwen3.6-27B-BLIP3o-Long-Caption-Distilled"
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Generate a highly detailed caption of a futuristic city skyline at sunset."}
        ],
    }
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

inputs = processor(
    text=[text],
    padding=True,
    return_tensors="pt"
).to("cuda")

generated_ids = model.generate(**inputs, max_new_tokens=512)

generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]

output_text = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False
)

print(output_text)

Intended Use

  • Long Caption Generation: High-quality descriptive captions for images and multimodal inputs
  • Multimodal Research: Studying captioning systems and vision-language alignment
  • Instruction + Caption Tasks: Hybrid prompts requiring reasoning + description
  • Red-Teaming & Alignment Research: Evaluating reduced-refusal systems
  • Local High-Performance Deployment: Multi-GPU or quantized inference setups

Limitations & Risks

Important Note: This model intentionally minimizes built-in safety refusals.

  • Sensitive Content Risk: May produce unrestricted or controversial outputs
  • User Responsibility: Requires careful and ethical usage
  • High Compute Demand: 27B models need significant VRAM or optimized inference
  • Abliteration Trade-offs: Reduced refusal may impact safety alignment and output filtering

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
17abf41

0 моделей