/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
26 окт 2025

Qwen3-VL-8B-Abliterated-Caption-it

Изображение и текст → текст3 профессии

Дообученная мультимодальная Qwen3-VL-8B для подробного текстового описания изображений, в том числе чувствительного содержания.

201скачиваний за 30 дней37лайковвеса обновлены1 июн 2026

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

Qwen3-VL-8B-Abliterated-Caption-it — мультимодальная модель, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. Она принимает изображения и текстовые инструкции и генерирует подробные текстовые описания изображений; разработчик позиционирует её как модель для детального описания содержимого, включая чувствительные и сложные сцены, без обычных фильтров контента. Модель основана на архитектуре Qwen3-VL, имеет 8 млрд параметров и работает через Transformers; веса представлены в формате safetensors.

Модель подходит для описания изображений общего, художественного, технического и абстрактного содержания, в том числе изображений с нестандартными пропорциями и разрешениями. Можно запрашивать краткие сводки или детальные описания; английский указан как язык по умолчанию, также заявлена генерация на других языках по формулировке запроса.

Модель может создавать откровенные, чувствительные или оскорбительные описания и не подходит для систем, которым необходимы фильтрация контента или модерация. Стиль ответов зависит от формулировки запроса, а точность на незнакомых и синтетических изображениях может снижаться. Лицензия — Apache-2.0.

Сценарии применения

  • создание подробных подписей к изображениям
  • описание художественных и абстрактных изображений
  • генерация описаний для визуальных датасетов
  • составление краткой или детальной сводки по изображению
  • оценка поведения моделей при описании чувствительных изображений

Ограничения

Модель может выдавать откровенные, чувствительные или оскорбительные описания и не подходит для систем, требующих фильтрации или модерации контента. Точность на незнакомых или синтетических стилях может снижаться, а тон и стиль ответов зависят от 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-8B-Abliterated-Caption-it

The Qwen3-VL-8B-Abliterated-Caption-it model is a fine-tuned version of Qwen3-VL-8B-Instruct, tailored for Abliterated Captioning / Uncensored Image Captioning. This variant is designed to generate highly detailed and descriptive captions across a broad range of visual categories, including images with complex, sensitive, or nuanced content—across varying aspect ratios and resolutions.

Key Highlights

  • Abliterated / Uncensored Captioning: Fine-tuned to bypass common content filters while preserving factual and descriptive richness across diverse visual categories.
  • High-Fidelity Descriptions: Generates comprehensive captions for general, artistic, technical, abstract, and low-context images.
  • Robust Across Aspect Ratios: Capable of accurately captioning images with wide, tall, square, and irregular dimensions.
  • Variational Detail Control: Produces outputs with both high-level summaries and fine-grained descriptions as needed.
  • Foundation on Qwen3-VL Architecture: Leverages the strengths of the Qwen3-VL-8B multimodal model for visual reasoning, comprehension, and instruction-following.
  • Multilingual Output Capability: Supports multilingual descriptions (English as default), adaptable 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-8B-Instruct-abliterated.


Quick Start with Transformers

[!note] Instruction Query: Provide a detailed caption for the image

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Qwen3-VL-8B-Abliterated-Caption-it", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen3-VL-8B-Abliterated-Caption-it")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image in detail."},
        ],
    }
]

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 and unfiltered image captions for general-purpose or artistic datasets.
  • Content moderation research, red-teaming, and generative safety evaluations.
  • Enabling descriptive captioning for visual datasets typically excluded from mainstream models.
  • Creative applications (e.g., storytelling, art generation) that benefit from rich descriptive captions.
  • Captioning for non-standard aspect ratios and stylized visual content.

Limitations

  • May produce explicit, sensitive, or offensive descriptions depending on image content and prompts.
  • Not suitable for deployment in production systems requiring content filtering or moderation.
  • Can exhibit variability in caption tone or style depending on input prompt phrasing.
  • Accuracy for unfamiliar or synthetic visual styles may vary.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
35a5c5a

0 моделей