/ Модель

Характеристики

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

Qwen3-VL-4B-Thinking-Unredacted-MAX

Изображение и текст → текст7 профессий

Мультимодальная модель Qwen3-VL на 4 млрд параметров для анализа изображений, визуального рассуждения и генерации подписей.

166скачиваний за 30 дней1лайквеса 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-Thinking-Unredacted-MAX — производная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL-4B-Thinking. В README говорится об оптимизации упаковки модели и совместимости с Transformers; метаданные указывают дообучение на базе Qwen/Qwen3-VL-4B-Thinking. Модель принимает изображения и текст и выдаёт текстовые ответы с визуальным рассуждением.

Модель предназначена для анализа изображений, генерации подписей и описаний, подготовки аннотаций и прототипирования систем, объединяющих текст и зрение. Поддерживает изображения с разными разрешениями и соотношениями сторон; в метаданных указан английский язык. Плотная архитектура насчитывает 4 млрд параметров по названию модели. Лицензия — Apache-2.0.

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

Сценарии применения

  • анализ изображений по текстовому запросу
  • генерация подробных подписей к изображениям
  • создание аннотаций для наборов изображений
  • прототипирование приложений с текстом и зрением

Ограничения

Качество зависит от чёткости изображения и формулировки запроса; разбор сложных сцен может быть неполным или непоследовательным. Для стабильного вывода требуется достаточный объём видеопамяти.

Для каких профессий подходит7

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-Thinking-Unredacted-MAX

Qwen3-VL-4B-Thinking-Unredacted-MAX is an optimized release built on top of huihui-ai/Huihui-Qwen3-VL-4B-Thinking-abliterated. This version focuses on updated packaging, improved Transformers compatibility, and stable multimodal inference behavior, while preserving the core 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 Thinking Vision-Language Architecture Built on Qwen3-VL-4B-Thinking, balancing reasoning strength 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-Thinking-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-Thinking-Unredacted-MAX",
    torch_dtype="auto",
    device_map="auto"
)

processor = AutoProcessor.from_pretrained(
    "prithivMLmods/Qwen3-VL-4B-Thinking-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
7c9d2e4

0 моделей