/ 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
Библиотека
transformers
Опубликована
10 ноя 2025

Qwen3-VL-8B-Instruct-abliterated-v2

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель Qwen3-VL для подробного описания изображений и визуальных рассуждений, включая чувствительный контент.

601скачиваний за 30 дней35лайковвеса 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-Instruct-abliterated-v2.0 — дообученная мультимодальная модель на архитектуре Qwen3-VL-8B-Instruct, представленная prithivMLmods. Она принимает изображения и текстовые инструкции и формирует текстовые описания и рассуждения по визуальному содержимому. Модель рассчитана на детальное описание обычных, художественных, технических, абстрактных и чувствительных изображений, включая изображения с нестандартными пропорциями и низким контекстом.

Модель ориентирована на генерацию развернутых подписей, визуальную интерпретацию и исследовательские сценарии, связанные с анализом контента и проверкой безопасности. Версия abliterated настроена на ответы без обычных ограничений контентных фильтров; основной язык вывода — английский, также заявлена адаптация к другим языкам через инструкции. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

Модель может выдавать откровенный, чувствительный или оскорбительный текст в зависимости от запроса и изображения. Она не подходит для сценариев, где необходима строгая фильтрация контента; глубина и стиль ответов меняются в зависимости от формулировки запроса и сложности изображения, а качество на синтетических и сильно абстрактных изображениях может быть нестабильным.

Сценарии применения

  • подробные подписи к художественным и техническим изображениям
  • описание абстрактных и стилизованных изображений
  • визуальная интерпретация изображений с малым контекстом
  • анализ чувствительного контента для исследований безопасности
  • создание текстовых описаний изображений с разной степенью детализации

Ограничения

Модель может генерировать откровенный, чувствительный или оскорбительный контент и не подходит для сценариев со строгой фильтрацией. Качество может быть нестабильным на синтетических и сильно абстрактных изображениях.

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-Instruct-abliterated-v2.0

Qwen3-VL-8B-Instruct-abliterated-v2.0 is an abliterated (v2.0) variant of Qwen3-VL-8B-Instruct, designed for Abliterated Reasoning and Captioning. This model is fine-tuned to produce highly detailed, descriptive, and reasoning-focused outputs across a wide range of visual and multimodal contexts, including complex, sensitive, or nuanced content. It supports varied image resolutions and aspect ratios while maintaining interpretive coherence and descriptive accuracy.

Key Highlights

  • Abliterated / Uncensored Captioning Fine-tuned to bypass conventional content filters while preserving factual, descriptive, and reasoning-rich outputs.

  • High-Fidelity Reasoning and Descriptions Generates in-depth captions and reasoning for general, artistic, technical, abstract, and low-context images.

  • Robust Across Aspect Ratios Performs consistently on wide, tall, square, panoramic, and irregular image dimensions.

  • Variational Detail Control Capable of generating outputs ranging from concise summaries to intricate, multi-level descriptive reasoning.

  • Foundation on Qwen3-VL-8B-Instruct Architecture Built upon Qwen3-VL-8B-Instruct’s multimodal reasoning, comprehension, and instruction-following framework.

  • Multilingual Output Capability Primarily outputs in English, but adaptable to multiple languages 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

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Qwen3-VL-8B-Instruct-abliterated-v2",
    torch_dtype="auto",
    device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen3-VL-8B-Instruct-abliterated-v2")

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",
).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, unfiltered captions and reasoning for general-purpose and artistic datasets.
  • Research in content moderation, red-teaming, and generative safety analysis.
  • Enabling descriptive captioning and reasoning for datasets typically excluded from mainstream models.
  • Creative and exploratory applications such as storytelling, visual interpretation, and multimodal reasoning.
  • Captioning and reasoning for non-standard, stylized, or abstract visual content.

Limitations

  • May generate explicit, sensitive, or offensive content depending on the prompt and input image.
  • Not suitable for production environments that require strict content filtering or moderation.
  • Output tone, style, and reasoning depth can vary depending on phrasing and visual complexity.
  • May show variability in performance on synthetic or highly abstract visuals.

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
4717561

0 моделей