/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
14 фев 2026

Qwen3-VL-4B-Instruct-Unredacted-MAX

Изображение и текст → текст8 профессий

Дообученная мультимодальная модель Qwen3-VL на 4 млрд параметров для диалога по изображениям, их анализа и генерации описаний.

1 593скачиваний за 30 дней20лайковвеса 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

Qwen3-VL-4B-Instruct-Unredacted-MAX — дообученная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 4 млрд параметров. Она принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалога с визуальным контекстом, понимания изображений, генерации описаний и мультимодальных экспериментов. Поддерживает изображения разных разрешений и пропорций и рассчитана на эффективный запуск по сравнению с более крупными моделями.

Модель подходит для создания подписей к изображениям и подготовки аннотаций для наборов данных, оценки систем компьютерного зрения с языковым интерфейсом и прототипирования приложений, объединяющих текст и изображения. Выпуск обновляет упаковку и совместимость с Transformers относительно huihui-ai/Qwen3-VL-4B-Instruct-abliterated, сохраняя возможности исходной архитектуры. Репозиторий распространяется по лицензии Apache-2.0.

Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного вывода требуется достаточно видеопамяти, а результаты зависят от настроек декодирования и среды запуска.

Сценарии применения

  • генерация подписей к изображениям
  • создание текстовых аннотаций для наборов данных
  • ответы на вопросы по содержимому изображения
  • оценка моделей понимания изображений
  • прототипирование приложений с текстом и зрением

Ограничения

Качество зависит от чёткости изображения и формулировки запроса; сложные сцены могут интерпретироваться неполно или непоследовательно. Для стабильного вывода требуется достаточно видеопамяти, а результат зависит от настроек декодирования и среды запуска.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

1

Qwen3-VL-4B-Instruct-Unredacted-MAX

Qwen3-VL-4B-Instruct-Unredacted-MAX is an optimized release built on top of huihui-ai/Qwen3-VL-4B-Instruct-abliterated. This version focuses on updated packaging, improved Transformers compatibility, and stable multimodal inference behavior, while preserving the core vision-language reasoning capabilities of the original architecture. The result is a capable 4B vision-language model designed for efficient deployment, research workflows, and multimodal experimentation.

Key Highlights

  • Optimized Release Structure Streamlined repository organization for easier loading, deployment, and inference workflows.

  • Modern Transformers Compatibility Updated for stable integration with recent Hugging Face Transformers versions.

  • 4B Vision-Language Architecture Built on Qwen3-VL-4B-Instruct, balancing multimodal capability with efficient compute requirements.

  • Stable Multimodal Inference Designed for consistent performance across image-text understanding tasks.

  • Efficient Caption Generation Produces structured and detailed descriptions suitable for annotation and dataset pipelines.

  • Dynamic Resolution Support Retains native support for varying image resolutions and aspect ratios.


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-4B-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-4B-Instruct-Unredacted-MAX",
    torch_dtype="auto",
    device_map="auto"
)

processor = AutoProcessor.from_pretrained(
    "prithivMLmods/Qwen3-VL-4B-Instruct-Unredacted-MAX"
)

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 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=256)

output_text = processor.batch_decode(
    [out[len(inp):] for inp, out in zip(inputs.input_ids, generated_ids)],
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False
)

print(output_text)

Intended Use

  • Multimodal research and vision-language evaluation
  • Image captioning and dataset generation pipelines
  • Prototyping AI systems combining text and vision
  • Lightweight deployment on consumer or mid-range GPUs
  • Experimental workflows in multimodal understanding

Limitations & Risks

Important Note: This model inherits constraints and behavior from its base architecture.

  • Output quality depends heavily on image clarity and prompt design
  • May produce incomplete or inconsistent interpretations in complex scenarios
  • Requires sufficient GPU memory for stable inference
  • Performance varies with decoding settings and runtime optimization

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
7ba8e8c

0 моделей