/ Модель
Каталог

Характеристики

Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Jan-v2-VL-low
Библиотека
transformers
Опубликована
14 ноя 2025

Ссылки

Hugging Face

Jan-v2-VL-f32-AIO-GGUF

prithivMLmods
Изображение и текст → текст13 профессий

Jan-v2-VL-f32-AIO-GGUF — GGUF-сборка 8-миллиардной vision-language модели Jan-v2-VL, разработанной командой JanHQ.

2 309скачиваний за 30 дней3лайкавеса обновлены15 ноя 2025

Бенчмарки

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

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

Модель предназначена для взаимодействия с визуальными и текстовыми данными, а также для выполнения многошаговых задач в реальных программных средах, включая браузеры и настольные приложения.

Модель сочетает языковое рассуждение с визуальным восприятием, поддерживает анализ скриншотов, заземление элементов интерфейса и вызов инструментов. Она рассчитана на агентную автоматизацию, управление пользовательским интерфейсом, следование сложным инструкциям, сохранение промежуточного состояния и восстановление после незначительных ошибок. Заявлен английский язык, однако сведения о размере контекста и точной архитектуре в README не указаны.

Доступны варианты low, med и high: low ориентирован на эффективность и меньшую задержку, med предлагает баланс качества и скорости, а high использует более глубокое рассуждение и требует больше времени на обработку. Сильными сторонами являются работа с визуально-текстовыми сценариями, устойчивое пошаговое выполнение длинных последовательностей и возможность локального запуска через vLLM и llama.cpp. Ограничениями являются отсутствие в README подробных метрик, данных о контекстном окне и гарантий качества за пределами заявленных сценариев, а также повышенные требования к ресурсам для полноразмерных F32-файлов. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит13

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022моделиI.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделейII.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Jan-v2-VL-f32-AIO-GGUF

Jan-v2-VL is an 8-billion-parameter vision-language model designed for long-horizon, multi-step task execution in real software environments such as browsers and desktop applications. It tightly integrates language reasoning with visual perception to follow complex instructions, maintain intermediate states, and recover from minor execution errors, enabling stable and continuous task completion. The model is evaluated with a benchmark focused on long-horizon execution, confirming its strength in steady, low-drift stepwise operation. Jan-v2-VL comes in three variants—low (efficiency and lower latency), medium (balanced latency and quality), and high (deeper reasoning with higher think time)—to best suit different performance needs. It supports agentic automation and UI control via screenshot grounding and tool calls and is optimized for local deployment with popular frameworks like vLLM and llama.cpp, offering a powerful tool for automation and interaction tasks in complex visual and textual environments.

Models

Jan-v2-VL-high

File NameQuant TypeFile Size
Jan-v2-VL-high-BF16.ggufBF1616.4 GB
Jan-v2-VL-high-F16.ggufF1616.4 GB
Jan-v2-VL-high-F32.ggufF3232.8 GB
Jan-v2-VL-high-Q3_K_L.ggufQ3_K_L4.43 GB
Jan-v2-VL-high-Q3_K_M.ggufQ3_K_M4.12 GB
Jan-v2-VL-high-Q3_K_S.ggufQ3_K_S3.77 GB
Jan-v2-VL-high-Q4_0.ggufQ4_04.77 GB
Jan-v2-VL-high-Q4_1.ggufQ4_15.25 GB
Jan-v2-VL-high-Q4_K_M.ggufQ4_K_M5.03 GB
Jan-v2-VL-high-Q4_K_S.ggufQ4_K_S4.8 GB
Jan-v2-VL-high-Q5_0.ggufQ5_05.72 GB
Jan-v2-VL-high-Q5_1.ggufQ5_16.19 GB
Jan-v2-VL-high-Q5_K_M.ggufQ5_K_M5.85 GB
Jan-v2-VL-high-Q5_K_S.ggufQ5_K_S5.72 GB
Jan-v2-VL-high-Q6_K.ggufQ6_K6.73 GB
Jan-v2-VL-high-Q8_0.ggufQ8_08.71 GB
Jan-v2-VL-high-mmproj-bf16.ggufmmproj-bf161.16 GB
Jan-v2-VL-high-mmproj-f16.ggufmmproj-f161.16 GB
Jan-v2-VL-high-mmproj-f32.ggufmmproj-f322.31 GB
Jan-v2-VL-high-mmproj-q8_0.ggufmmproj-q8_0752 MB
Jan-v2-VL-high.i1-IQ1_M.ggufi1-IQ1_M2.26 GB
Jan-v2-VL-high.i1-IQ1_S.ggufi1-IQ1_S2.12 GB
Jan-v2-VL-high.i1-IQ2_M.ggufi1-IQ2_M3.05 GB
Jan-v2-VL-high.i1-IQ2_S.ggufi1-IQ2_S2.86 GB
Jan-v2-VL-high.i1-IQ2_XS.ggufi1-IQ2_XS2.7 GB
Jan-v2-VL-high.i1-IQ2_XXS.ggufi1-IQ2_XXS2.49 GB
Jan-v2-VL-high.i1-IQ3_M.ggufi1-IQ3_M3.9 GB
Jan-v2-VL-high.i1-IQ3_S.ggufi1-IQ3_S3.79 GB
Jan-v2-VL-high.i1-IQ3_XS.ggufi1-IQ3_XS3.63 GB
Jan-v2-VL-high.i1-IQ3_XXS.ggufi1-IQ3_XXS3.37 GB
Jan-v2-VL-high.i1-IQ4_NL.ggufi1-IQ4_NL4.79 GB
Jan-v2-VL-high.i1-IQ4_XS.ggufi1-IQ4_XS4.56 GB
Jan-v2-VL-high.i1-Q2_K.ggufi1-Q2_K3.28 GB
Jan-v2-VL-high.i1-Q2_K_S.ggufi1-Q2_K_S3.08 GB
Jan-v2-VL-high.i1-Q3_K_L.ggufi1-Q3_K_L4.43 GB
Jan-v2-VL-high.i1-Q3_K_M.ggufi1-Q3_K_M4.12 GB
Jan-v2-VL-high.i1-Q3_K_S.ggufi1-Q3_K_S3.77 GB
Jan-v2-VL-high.i1-Q4_0.ggufi1-Q4_04.79 GB
Jan-v2-VL-high.i1-Q4_1.ggufi1-Q4_15.25 GB
Jan-v2-VL-high.i1-Q4_K_M.ggufi1-Q4_K_M5.03 GB
Jan-v2-VL-high.i1-Q4_K_S.ggufi1-Q4_K_S4.8 GB
Jan-v2-VL-high.i1-Q5_K_M.ggufi1-Q5_K_M5.85 GB
Jan-v2-VL-high.i1-Q5_K_S.ggufi1-Q5_K_S5.72 GB
Jan-v2-VL-high.i1-Q6_K.ggufi1-Q6_K6.73 GB
Jan-v2-VL-high.imatrix.ggufimatrix5.35 MB

Jan-v2-VL-med

File NameQuant TypeFile Size
Jan-v2-VL-med-BF16.ggufBF1616.4 GB
Jan-v2-VL-med-F16.ggufF1616.4 GB
Jan-v2-VL-med-F32.ggufF3232.8 GB
Jan-v2-VL-med-Q3_K_L.ggufQ3_K_L4.43 GB
Jan-v2-VL-med-Q3_K_M.ggufQ3_K_M4.12 GB
Jan-v2-VL-med-Q3_K_S.ggufQ3_K_S3.77 GB
Jan-v2-VL-med-Q4_0.ggufQ4_04.77 GB
Jan-v2-VL-med-Q4_1.ggufQ4_15.25 GB
Jan-v2-VL-med-Q4_K_M.ggufQ4_K_M5.03 GB
Jan-v2-VL-med-Q4_K_S.ggufQ4_K_S4.8 GB
Jan-v2-VL-med-Q5_0.ggufQ5_05.72 GB
Jan-v2-VL-med-Q5_1.ggufQ5_16.19 GB
Jan-v2-VL-med-Q5_K_M.ggufQ5_K_M5.85 GB
Jan-v2-VL-med-Q5_K_S.ggufQ5_K_S5.72 GB
Jan-v2-VL-med-Q6_K.ggufQ6_K6.73 GB
Jan-v2-VL-med-Q8_0.ggufQ8_08.71 GB
Jan-v2-VL-med-mmproj-bf16.ggufmmproj-bf161.16 GB
Jan-v2-VL-med-mmproj-f16.ggufmmproj-f161.16 GB
Jan-v2-VL-med-mmproj-f32.ggufmmproj-f322.31 GB
Jan-v2-VL-med-mmproj-q8_0.ggufmmproj-q8_0752 MB
Jan-v2-VL-med.i1-IQ1_M.ggufi1-IQ1_M2.26 GB
Jan-v2-VL-med.i1-IQ1_S.ggufi1-IQ1_S2.12 GB
Jan-v2-VL-med.i1-IQ2_M.ggufi1-IQ2_M3.05 GB
Jan-v2-VL-med.i1-IQ2_S.ggufi1-IQ2_S2.86 GB
Jan-v2-VL-med.i1-IQ2_XS.ggufi1-IQ2_XS2.7 GB
Jan-v2-VL-med.i1-IQ2_XXS.ggufi1-IQ2_XXS2.49 GB
Jan-v2-VL-med.i1-IQ3_M.ggufi1-IQ3_M3.9 GB
Jan-v2-VL-med.i1-IQ3_S.ggufi1-IQ3_S3.79 GB
Jan-v2-VL-med.i1-IQ3_XS.ggufi1-IQ3_XS3.63 GB
Jan-v2-VL-med.i1-IQ3_XXS.ggufi1-IQ3_XXS3.37 GB
Jan-v2-VL-med.i1-IQ4_NL.ggufi1-IQ4_NL4.79 GB
Jan-v2-VL-med.i1-IQ4_XS.ggufi1-IQ4_XS4.56 GB
Jan-v2-VL-med.i1-Q2_K.ggufi1-Q2_K3.28 GB
Jan-v2-VL-med.i1-Q2_K_S.ggufi1-Q2_K_S3.08 GB
Jan-v2-VL-med.i1-Q3_K_L.ggufi1-Q3_K_L4.43 GB
Jan-v2-VL-med.i1-Q3_K_M.ggufi1-Q3_K_M4.12 GB
Jan-v2-VL-med.i1-Q3_K_S.ggufi1-Q3_K_S3.77 GB
Jan-v2-VL-med.i1-Q4_0.ggufi1-Q4_04.79 GB
Jan-v2-VL-med.i1-Q4_1.ggufi1-Q4_15.25 GB
Jan-v2-VL-med.i1-Q4_K_M.ggufi1-Q4_K_M5.03 GB
Jan-v2-VL-med.i1-Q4_K_S.ggufi1-Q4_K_S4.8 GB
Jan-v2-VL-med.i1-Q5_K_M.ggufi1-Q5_K_M5.85 GB
Jan-v2-VL-med.i1-Q5_K_S.ggufi1-Q5_K_S5.72 GB
Jan-v2-VL-med.i1-Q6_K.ggufi1-Q6_K6.73 GB
Jan-v2-VL-med.imatrix.ggufimatrix5.35 MB

Jan-v2-VL-low

File NameQuant TypeFile Size
Jan-v2-VL-low-BF16.ggufBF1616.4 GB
Jan-v2-VL-low-F16.ggufF1616.4 GB
Jan-v2-VL-low-F32.ggufF3232.8 GB
Jan-v2-VL-low-Q3_K_L.ggufQ3_K_L4.43 GB
Jan-v2-VL-low-Q3_K_M.ggufQ3_K_M4.12 GB
Jan-v2-VL-low-Q3_K_S.ggufQ3_K_S3.77 GB
Jan-v2-VL-low-Q4_0.ggufQ4_04.77 GB
Jan-v2-VL-low-Q4_1.ggufQ4_15.25 GB
Jan-v2-VL-low-Q4_K_M.ggufQ4_K_M5.03 GB
Jan-v2-VL-low-Q4_K_S.ggufQ4_K_S4.8 GB
Jan-v2-VL-low-Q5_0.ggufQ5_05.72 GB
Jan-v2-VL-low-Q5_1.ggufQ5_16.19 GB
Jan-v2-VL-low-Q5_K_M.ggufQ5_K_M5.85 GB
Jan-v2-VL-low-Q5_K_S.ggufQ5_K_S5.72 GB
Jan-v2-VL-low-Q6_K.ggufQ6_K6.73 GB
Jan-v2-VL-low-Q8_0.ggufQ8_08.71 GB
Jan-v2-VL-low-mmproj-bf16.ggufmmproj-bf161.16 GB
Jan-v2-VL-low-mmproj-f16.ggufmmproj-f161.16 GB
Jan-v2-VL-low-mmproj-f32.ggufmmproj-f322.31 GB
Jan-v2-VL-low-mmproj-q8_0.ggufmmproj-q8_0752 MB

Quants Usage

(sorted by size, not necessarily quality. IQ-quants are often preferable over similar sized non-IQ quants)

Here is a handy graph by ikawrakow comparing some lower-quality quant types (lower is better):

image.png

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
b6a81a6

0 моделей

    Создать бенчмарк