/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
18 июн 2026

paperwerk-vqa

Изображение и текст → текст3 профессии

Дообученная на базе Qwen3-VL-4B-Instruct мультимодальная модель отвечает на вопросы по изображениям и может указывать объекты ограничивающими рамками.

14скачиваний за 30 дней0лайковвеса обновлены7 авг 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

ridcl/paperwerk-vqa — дообученная мультимодальная модель для визуальных вопросов и ответов (VQA), основанная на Qwen3-VL-4B-Instruct. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; также поддерживает выдачу ограничивающих рамок объектов в формате [xmin, ymin, xmax, ymax] с координатами в диапазоне 0–1000. Модель предназначена для диалога по изображениям и сценариев, где требуется указать расположение объектов.

Модель использует архитектуру Qwen3-VL с 4 млрд параметров и распространяется в формате safetensors для Transformers. В README приведён запуск через vLLM с максимальной длиной последовательности 32768 токенов. Лицензия и целевые языки в предоставленных данных не указаны, поэтому условия использования по ним определить нельзя.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • поиск и локализация объектов на изображении
  • визуальный диалог с выдачей координат объектов

Ограничения

README не описывает точность, обучающие данные или ограничения применимости; поддерживаемые языки и лицензия также не подтверждены предоставленными сведениями.

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

Model Card for Model ID

VQA model that also supports bounding boxes.

Run via vLLM:

vllm serve ridcl/paperwerk-vqa \
    --max-model-len 32768 \
    --enable-auto-tool-choice \
    --tool-call-parser hermes \
    --tensor-parallel-size 2

Examples input:

{
    "role": "user",
    "content": [
        {
            "type": "image_url",
            "image_url": {
                "url": "data:image/jpeg;base64,..."
            },
        },
        {"type": "text", "text": "Extract values:\n- contract_date\n- names of the parties\n- Where is the company registered?"},
    ],
}

Example output (bbox format: [xmin, ymin, xmax, ymax], 0..1000 scale):

[
    {
        "query": "contract_date",
        "value": "1 April 2025",
        "box_2d": [466, 693, 544, 705],
        "index": 0,
    },
    {
        "query": "names of the parties",
        "value": "CoolCo B.V.",
        "box_2d": [151, 279, 257, 292],
        "index": 0,
    },
    {
        "query": "names of the parties",
        "value": "John Doe",
        "box_2d": [151, 403, 261, 415],
        "index": 0,
    },
    {
        "query": "names of the parties",
        "value": "Jane Doe",
        "box_2d": [151, 509, 268, 522],
        "index": 0,
    },
    {
        "query": "Where is the company registered?",
        "value": "Amsterdam",
        "box_2d": [164, 302, 281, 315],
        "index": 0,
    },
]

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
243dda5

0 моделей