/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct-abliterated-v1
Библиотека
transformers
Опубликована
28 ноя 2025

Qwen3-VisionCaption-2B

Изображение и текст → текст5 профессий

Дообученная мультимодальная модель Qwen3-VL для подробного описания изображений и анализа их содержимого по текстовым инструкциям.

78скачиваний за 30 дней6лайковвеса обновлены29 ноя 2025

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-VisionCaption-2B — мультимодальная модель PrithivMLmods для создания подробных подписей к изображениям и анализа их содержимого. Это дообученная версия prithivMLmods/Qwen3-VL-2B-Instruct-abliterated-v1 на архитектуре Qwen3-VL с плотной моделью и форматом весов safetensors. Модель принимает изображения и текстовые инструкции, выдаёт текстовые описания и рассуждения; заявлена поддержка английского и китайского языков, а также возможность многоязычного вывода при подходящих инструкциях.

Модель предназначена для описания обычных, художественных, технических, синтетических и абстрактных изображений, включая изображения с нестандартным соотношением сторон. Можно задавать краткий или более детальный стиль ответа. Разработчик также указывает сценарии творческого описания, визуального анализа и оценки модерации. Лицензия — Apache-2.0.

Модель может формировать откровенные, чувствительные или оскорбительные описания в зависимости от изображения; разработчик не рекомендует её для производственных сценариев со строгими требованиями безопасности. Качество может снижаться на сильно абстрактных или синтетических изображениях, а тон и детализация зависят от формулировки запроса.

Сценарии применения

  • создание кратких и подробных подписей к изображениям
  • описание художественных и технических изображений
  • анализ содержания синтетических и абстрактных изображений
  • получение текстового разбора изображения по инструкции
  • оценка визуальных ответов для исследований модерации

Ограничения

Модель может выдавать откровенные, чувствительные или оскорбительные описания и не рекомендуется для сценариев со строгими требованиями безопасности. Качество может снижаться на сильно абстрактных или синтетических изображениях; стиль и детализация зависят от формулировки запроса.

Для каких профессий подходит5

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-VisionCaption-2B

Qwen3-VisionCaption-2B is an abliterated v1.0 variant built upon Qwen3-VL-2B-Instruct-abliterated-v1, specifically optimized for seamless, high precision image captioning and uncensored visual analysis. It is engineered for robust caption generation, deep reasoning, and unrestricted descriptive understanding across diverse visual and multimodal contexts.

Key Highlights

  • Abliterated and uncensored captioning for descriptive and reasoning rich outputs.
  • High fidelity captions for general, artistic, technical, synthetic, abstract, and low context images.
  • Consistent performance across wide, tall, square, panoramic, and irregular visual formats.
  • Adjustable detail control ranging from brief summaries to fine grained reasoning.
  • Built on Qwen3-VL-2B architecture with strong multimodal reasoning and instruction following.
  • Multilingual output capability through effective prompt engineering.

Datasets

This model was fine tuned using the following datasets:

  • prithivMLmods/blip3o-caption-mini-arrow A high quality curated dataset with multi style captions oriented toward descriptive and reasoning rich visual interpretation.
  • prithivMLmods/Caption3o-Opt-v2 Optimized caption dataset targeting precision, context understanding, and descriptive generalization across diverse visual categories.
  • Private and unlisted datasets curated for uncensored and domain specific image captioning tasks, focusing on unrestricted visual understanding beyond standard filtered datasets.

The training objective focused on enhancing performance in unconstrained descriptive image captioning, particularly for edge cases and visual categories that are typically filtered out in standard captioning benchmarks.

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-VisionCaption-2B", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen3-VisionCaption-2B")

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)

Run with llama.cpp on Jan, Ollama, LM Studio, and other platforms.

Preview 1Preview 2
Screenshot 1Screenshot 2

Find the Quants (GGUF) here: https://huggingface.co/prithivMLmods/Qwen3-VisionCaption-2B-GGUF

Intended Use

  • High precision captioning and reasoning for general purpose or non standard visual data.
  • Uncensored analytical captioning for research, red teaming, and moderation evaluation.
  • Creative and narrative oriented multimodal tasks.
  • Understanding stylized, synthetic, or complex images with challenging aspect ratios.

Limitations

  • May produce explicit, sensitive, or offensive descriptions depending on visual content.
  • Not recommended for production use where strict safety controls are required.
  • Performance may vary for heavily abstract or synthetic content.
  • Output tone depends on prompt phrasing and detail level requests.

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
3d72df2

0 моделей