/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Thinking
Библиотека
transformers
Опубликована
15 окт 2025

Qwen3-VL-4B-Thinking-abliterated-v1

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen3-VL-4B-Thinking для подробного описания изображений и визуальных рассуждений.

69скачиваний за 30 дней19лайковвеса 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-abliterated-v1 — мультимодальная модель PrithivMLmods, дообученная на основе Qwen/Qwen3-VL-4B-Thinking. Она принимает изображения вместе с текстовыми запросами и генерирует подробные описания и рассуждения о визуальном содержимом, в том числе о сложных, стилизованных и чувствительных изображениях. Модель поддерживает разные пропорции и разрешения изображений и позволяет получать как краткие сводки, так и детальные описания.

Модель предназначена для описания изображений, визуального анализа, творческих сценариев и исследований модерации и безопасности. Она рассчитана прежде всего на английский язык; мультиязычные запросы возможны, но зависят от формулировки запроса. Модель распространяется в формате safetensors и лицензирована по Apache-2.0.

Вариант abliterated настроен на обход стандартных фильтров и может выдавать откровенные, чувствительные или оскорбительные описания. Точность может снижаться на незнакомых, синтетических и абстрактных изображениях, а стиль и ход рассуждений зависят от запроса; модель не подходит для систем, которым требуется строгая модерация контента.

Сценарии применения

  • подробное описание содержимого изображения
  • генерация подписей к художественным и техническим изображениям
  • ответы на вопросы о деталях изображения
  • анализ стилизованных и нестандартных изображений
  • исследование устойчивости модерации и безопасности визуальных моделей

Ограничения

Модель может создавать откровенные, чувствительные или оскорбительные описания и не подходит для систем со строгой модерацией. Точность может снижаться на незнакомых, синтетических и абстрактных изображениях; стиль и рассуждения зависят 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

15

Qwen3-VL-4B-Thinking-abliterated

Qwen3-VL-4B-Thinking-abliterated is an abliterated (v1.0) variant of Qwen3-VL-4B-Thinking, designed for Abliterated Reasoning and Captioning. This model generates detailed captions and reasoning outputs across a wide range of visual and multimodal contexts, including complex, sensitive, or nuanced content, and supports diverse aspect ratios and resolutions.

Key Highlights

  • Abliterated / Uncensored Captioning: Fine-tuned to bypass standard content filters while preserving factual, descriptive, and reasoning-rich outputs.
  • High-Fidelity Descriptions: Produces comprehensive captions and reasoning for general, artistic, technical, abstract, or low-context images.
  • Robust Across Aspect Ratios: Supports wide, tall, square, and irregular image dimensions with consistent accuracy.
  • Variational Detail Control: Generates outputs ranging from high-level summaries to fine-grained, intricate descriptions and reasoning.
  • Foundation on Qwen3-VL-4B-Thinking Architecture: Leverages Qwen3-VL-4B-Thinking’s multimodal reasoning and instruction-following capabilities.
  • Multilingual Output Capability: Primarily English, with adaptability for multilingual prompts via 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-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-abliterated-v1", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen3-VL-4B-Thinking-abliterated-v1")

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",
)
inputs = inputs.to("cuda")

generated_ids = model.generate(**inputs, max_new_tokens=128)
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

This model is suited for:

  • 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 image content and prompts.
  • Not recommended for production systems requiring strict content moderation.
  • Output style, tone, and reasoning can vary depending on input phrasing.
  • Accuracy may vary 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
b485cfa

0 моделей