/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct-Unredacted-MAX
Библиотека
transformers
Опубликована
23 мая 2026

Qwen3-VL-8B-Heretic-Stable

Изображение и текст → текст8 профессий

Мультимодальная модель Qwen3-VL на 8 млрд параметров для диалога, анализа изображений и генерации описаний по визуальным данным.

308скачиваний за 30 дней4лайкавеса 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-8B-Heretic-Stable — мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 8 млрд параметров для диалога, анализа изображений и генерации текстовых ответов. Она принимает изображения и текст, поддерживает визуальное рассуждение, создание подписей и структурированных описаний, а также прототипирование инструментов анализа изображений. В карточке заявлены совместимость с актуальными версиями Transformers, обновлённая разбивка весов на шарды и сохранение поведения исходной модели без изменения основных весов или архитектуры.

Модель основана на prithivMLmods/Qwen3-VL-8B-Instruct-Unredacted-MAX и связана в README с huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated; README описывает выпуск как переупаковку, тогда как метаданные указывают дообучение базовой модели. Поддерживаемый язык карточки — английский. Репозиторий использует safetensors и библиотеку Transformers; лицензия — Apache-2.0.

Ответы могут быть неточными или неполными, а качество зависит от изображения, запроса, разрешения и сложности входных данных. Для эффективного инференса, особенно с изображениями высокого разрешения, README рекомендует GPU. Модель помечена как предназначенная для исследований и обучения; авторы возлагают ответственность за использование и полученные результаты на пользователя.

Сценарии применения

  • ответы на вопросы по изображениям
  • создание подписей к изображениям
  • генерация структурированных описаний визуальных данных
  • оценка мультимодальных моделей на наборах изображений
  • прототипирование инструментов анализа изображений

Ограничения

Ответы могут быть неточными или неполными, а качество зависит от разрешения изображения, сложности входных данных и формулировки запроса. Для эффективной обработки, особенно изображений высокого разрешения, требуется GPU.

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-8B-Heretic-Stable

Qwen3-VL-8B-Heretic-Stable is an optimized release built on top of huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated. This version focuses on updated shard sizing, repository optimization, and compatibility improvements for the latest Transformers releases, while preserving the multimodal capabilities of the original model. The result is a stable and efficient 8B vision-language model designed for image and text reasoning with streamlined deployment and inference workflows.

[!IMPORTANT] This model is intended for research and learning purposes only. Any content generated by this model is used at the user’s own risk. The authors and hosting page disclaim any liability for outputs produced by this model. Users are responsible for ensuring safe, ethical, and lawful usage.

Evaluation [Self Reported]

MetricResult
Refusal RateN/A
Test SetupN/A
Inference Typetext-generation + vision-language
DatasetN/A

Note: This release does not introduce new benchmark results and primarily focuses on repackaging, sharding updates, and Transformers compatibility improvements over the base model.


Key Highlights

  • Latest Transformers Compatibility Re-sharded and optimized for compatibility with recent Transformers releases.

  • Optimized Model Sharding Updated shard structure for improved download reliability, storage handling, and inference efficiency.

  • Stable Multimodal Pipeline Ensures consistent behavior across image-text inputs using the original Qwen3-VL architecture.

  • 8B Vision-Language Architecture Built on Qwen3-VL-8B-Instruct, supporting strong image understanding and multimodal reasoning.

  • Improved Deployment Stability Designed for smoother loading and more predictable inference across environments.

  • Preserved Model Behavior No changes to core weights or architecture; behavior remains aligned with the base model lineage.


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

pip install transformers==5.9.0
# or
pip install git+https://github.com/huggingface/transformers.git
from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Qwen3-VL-8B-Heretic-Stable",
    torch_dtype="auto",
    device_map="auto"
)

processor = AutoProcessor.from_pretrained(
    "prithivMLmods/Qwen3-VL-8B-Heretic-Stable"
)

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",
).to("cuda")

generated_ids = model.generate(
    **inputs,
    max_new_tokens=256
)

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

  • Multimodal Research Studying vision-language reasoning and model behavior across image-text inputs.

  • Dataset Enrichment Generating captions and structured descriptions for visual datasets.

  • Evaluation & Benchmarking Testing multimodal performance under varied prompts and image complexity.

  • Application Prototyping Building vision-language tools for analysis, captioning, and reasoning workflows.


Limitations & Risks

Important Note: This model inherits the behavior and limitations of its base model.

  • Output Variability Responses may vary depending on image quality, prompt design, and sampling parameters.

  • Multimodal Constraints Performance depends on resolution, context length, and input complexity.

  • Deployment Requirements Requires GPU acceleration for efficient inference, especially for high-resolution inputs.

  • General Model Limitations May still produce inaccurate or incomplete outputs in complex scenarios.

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
28725d8

0 моделей