/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
4,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
22 окт 2025

Qwen3-VL-2B-Instruct-abliterated-v1

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen3-VL-2B-Instruct для подробного описания изображений и рассуждений по их содержимому.

86скачиваний за 30 дней3лайкавеса 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 оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • prithivMLmods/harm_bench

    score

    Результат

    99,75

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen3-VL-2B-Instruct-abliterated-v1 — мультимодальная модель семейства Qwen3-VL, созданная на основе Qwen/Qwen3-VL-2B-Instruct и дообученная для подробного описания изображений и рассуждений по визуальному содержимому. Она принимает изображения и текстовые инструкции, а в ответ генерирует текст; модель поддерживает диалоговый режим и рассчитана на работу с изображениями разных пропорций и разрешений.

Модель предназначена для создания подробных подписей к изображениям, анализа художественных, технических, абстрактных и чувствительных сцен, а также для исследований модерации контента и оценки безопасности. Основной язык — английский; возможны запросы на других языках, но README описывает их поддержку как зависящую от формулировки запроса. Лицензия — Apache-2.0.

Модель настроена на выдачу откровенных описаний и может генерировать чувствительный или оскорбительный текст. Она не подходит для систем, которым необходима строгая модерация; точность может снижаться на незнакомых, синтетических и сильно абстрактных изображениях, а стиль ответа зависит от запроса.

Сценарии применения

  • подробное создание подписей к изображениям
  • описание художественных и стилизованных изображений
  • анализ технических и абстрактных изображений
  • описание чувствительных сцен для исследований модерации
  • оценка безопасности мультимодальных моделей

Ограничения

Может выдавать откровенные, чувствительные или оскорбительные описания и не подходит для систем со строгой модерацией. Точность может снижаться на незнакомых, синтетических и абстрактных изображениях; стиль ответа зависит от формулировки запроса.

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

Qwen3-VL-2B-Instruct-abliterated

Qwen3-VL-2B-Instruct-abliterated is an abliterated (v1.0) variant of Qwen3-VL-2B-Instruct, designed for Abliterated Reasoning and Captioning. This model is optimized to generate detailed, descriptive captions and reasoning outputs across a wide range of visual and multimodal contexts—including complex, sensitive, or nuanced content—while supporting diverse aspect ratios and resolutions.

Key Highlights

  • Abliterated / Uncensored Captioning – Fine-tuned to bypass conventional content filters while preserving factual, descriptive, and reasoning-rich outputs.
  • High-Fidelity Descriptions – Generates comprehensive captions and reasoning for general, artistic, technical, abstract, or low-context images.
  • Robust Across Aspect Ratios – Performs consistently across wide, tall, square, and irregular image dimensions.
  • Variational Detail Control – Capable of producing outputs ranging from concise summaries to fine-grained, intricate descriptions and reasoning.
  • Foundation on Qwen3-VL-2B Architecture – Built upon Qwen3-VL-2B-Instruct’s strong multimodal reasoning and instruction-following capabilities.
  • Multilingual Output Capability – Primarily optimized for English, with adaptability for multilingual prompts through prompt engineering.

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-VL-2B-Instruct-abliterated.


Quick Start with Transformers

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Qwen3-VL-2B-Instruct-abliterated",
    torch_dtype="auto",
    device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen3-VL-2B-Instruct-abliterated")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Provide a detailed caption and reasoning for this image."},
        ],
    }
]

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

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

generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [out[len(inp):] for inp, out 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

  • Generating detailed, uncensored captions and reasoning for general-purpose or artistic datasets.
  • Research in content moderation, red-teaming, and generative safety evaluation.
  • Enabling descriptive captioning and reasoning for visual datasets typically excluded from mainstream models.
  • Creative applications such as storytelling, art generation, or multimodal reasoning tasks.
  • Captioning and reasoning for non-standard aspect ratios and stylized visual content.

Limitations

  • May produce explicit, sensitive, or offensive descriptions depending on the image content and prompts.
  • Not recommended for production systems requiring strict content moderation.
  • Output style, tone, and reasoning may vary based on input phrasing.
  • Accuracy can fluctuate for unfamiliar, synthetic, or highly abstract visual content.

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
ba9cb81

0 моделей