/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VisionCaption-2B
Библиотека
transformers
Опубликована
28 ноя 2025

Qwen3-VisionCaption-2B-GGUF

Изображение и текст → текст11 профессий

Qwen3-VisionCaption-2B-GGUF — мультимодальная модель для генерации описаний изображений и визуального анализа, разработанная prithivMLmods.

1 541скачиваний за 30 дней9лайковвеса обновлены29 ноя 2025

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

Она основана на Qwen3-VisionCaption-2B, дообученной версии Qwen3-VL-2B-Instruct-abliterated-v1. Модель предназначена для создания подробных подписей к изображениям, анализа сложных сцен, художественных материалов, технических схем и чувствительного контента, а также для задач аннотации датасетов, исследований модерации и red-teaming, accessibility-инструментов и генеративной оценки безопасности.

Модель работает с текстом и изображениями, поддерживает английский и китайский языки, а также многоязычный OCR для 32 языков. Заявлены пространственное понимание, обработка различных соотношений сторон, поддержка контекста до 256K токенов и возможность запуска на устройствах с ограниченными ресурсами через llama.cpp и совместимые платформы. Доступны варианты GGUF в форматах BF16, F16, F32 и Q8_0, а также отдельные мультимодальные проекционные файлы; размер файлов зависит от варианта и составляет примерно от 445 MB до 6,89 GB.

К сильным сторонам относятся подробные и фактические описания, визуальное рассуждение, работа с многоязычным текстом на изображениях и поддержка эффективного локального инференса. Ограничения включают отсутствие приведённых количественных оценок качества и подробностей о требованиях к оборудованию. README также характеризует модель как uncensored и указывает на обход стандартных фильтров содержимого, поэтому при работе с чувствительными данными необходимы дополнительные меры безопасности и контроля. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит11

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

Qwen3-VisionCaption-2B-GGUF

Qwen3-VisionCaption-2B is an abliterated v1.0 variant fine-tuned by prithivMLmods from Qwen3-VL-2B-Instruct-abliterated-v1, specifically engineered for seamless, high-precision image captioning and uncensored visual analysis across diverse multimodal contexts including complex scenes, artistic content, technical diagrams, and sensitive imagery. It bypasses conventional content filters to deliver robust, factual, and richly descriptive captions with deep reasoning, spatial awareness, multilingual OCR support (32 languages), and handling of varied aspect ratios while maintaining the base model's 256K token long-context capacity for comprehensive visual understanding. Ideal for research in content moderation, red-teaming, dataset annotation, creative applications, and generative safety evaluation, the model produces detailed outputs suitable for accessibility tools, storytelling, and vision-language tasks on edge devices via efficient inference frameworks like Transformers.

Qwen3-VisionCaption-2B [GGUF]

File NameQuant TypeFile SizeFile Link
Qwen3-VisionCaption-2B.BF16.ggufBF163.45 GBDownload
Qwen3-VisionCaption-2B.F16.ggufF163.45 GBDownload
Qwen3-VisionCaption-2B.F32.ggufF326.89 GBDownload
Qwen3-VisionCaption-2B.Q8_0.ggufQ8_01.83 GBDownload
Qwen3-VisionCaption-2B.mmproj-bf16.ggufmmproj-bf16823 MBDownload
Qwen3-VisionCaption-2B.mmproj-f16.ggufmmproj-f16819 MBDownload
Qwen3-VisionCaption-2B.mmproj-f32.ggufmmproj-f321.63 GBDownload
Qwen3-VisionCaption-2B.mmproj-q8_0.ggufmmproj-q8_0445 MBDownload

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

Preview 1Preview 2
Screenshot 1Screenshot 2

Quants Usage

(sorted by size, not necessarily quality. IQ-quants are often preferable over similar sized non-IQ quants)

Here is a handy graph by ikawrakow comparing some lower-quality quant types (lower is better):

image.png

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
f6915a1

0 моделей