/ Модель

Характеристики

Контекст
131 072 токена
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
4 июл 2026

Qwen2.5-VL-7B-Instruct-Ablit

Изображение и текст → текст10 профессий

Мультимодальная модель Qwen2.5-VL-7B с ослабленными отказами предназначена для диалога и ответов на вопросы по изображениям.

230скачиваний за 30 дней2лайкавеса обновлены4 июл 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

sci4ai/Qwen2.5-VL-7B-Instruct-Ablit — мультимодальная модель для диалога и анализа изображений, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, реализованная для Transformers и распространяемая в формате safetensors. Модель принимает текст и изображения и формирует текстовые ответы; в README также указана возможность анализа видео как характеристика базовой модели.

Веса изменены методом abliteration: из текстового декодера удалено одно направление отказа, вычисленное по активациям на вредоносных и безвредных текстовых запросах. Визуальный энкодер не менялся, поэтому авторы сообщают о сохранении возможностей понимания изображений. Модель подходит для визуальных вопросов и ответов, описания изображений и извлечения сведений из документов, однако редактирование может ослабить следование инструкциям. Abliteration не добавляет новых знаний и навыков, а ответственность за безопасное применение лежит на развёртывающей стороне. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы по изображениям
  • описание содержимого изображений
  • извлечение сведений из документов и изображений
  • визуальный диалог по загруженным изображениям

Ограничения

Abliteration может ослабить следование инструкциям и не добавляет модели новых знаний или навыков. README указывает, что снятие отказов переносит ответственность за безопасное применение на развёртывающую сторону.

Для каких профессий подходит10

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

Qwen2.5-VL-7B-Instruct-Ablit (Abliterated Qwen-Image-2512 Text-Encoder)

Abliterated Qwen2.5-VL-7B-Instruct — full-precision BF16 safetensors. This is a vision-language model with refusal directions removed, enabling uncensored text generation while preserving multimodal capabilities.

Image Generation Use Case: Qwen2.5-VL-7B-Instruct is the text encoder for Qwen-Image-2512. This abliterated version provides a drop-in replacement for uncensored image generation workflows in ComfyUI and other diffusion tooling.

Usage

from transformers import AutoModelForImageTextToText, AutoTokenizer

model = AutoModelForImageTextToText.from_pretrained(
    "Ablit-Qwen2.5-VL-7B-Instruct",
    dtype="bfloat16",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("Ablit-Qwen2.5-VL-7B-Instruct")

The base chat template (Qwen2-VL) is unchanged. This model retains the vision tower from the base model and can process both text and images.


Abliteration Method

AblitVL — an adaptation of the AblitMD project for vision-language models.

Try it out: Roll your own recipe with the all-in-one app at ablitVL (adaptation of ablitMD for vision-language models).

This build uses the classic heretic-style single-direction abliteration method rather than the multi-category approach used in ablitMD. The motivation is simplicity and compatibility with vision-language architectures.

Heretic-Style Single Direction

  1. Direction computation — A single refusal direction is computed per layer using hidden states from the final token in the residual stream.

    • Harmful prompts: A curated set of text-only harmful requests
    • Harmless prompts: A matching set of benign requests

    Each prompt was run through the base model and the hidden states at the final token were captured per layer. Every response was then classified by refusal type (hard / redirect / none), and each classification was reviewed for accuracy before the activations fed into the direction computation.

  2. Single merged direction — Rather than maintaining separate per-category directions, the refusal direction is computed as the normalized difference between the mean of all refusal activations (hard + redirect) and the mean of all non-refusal activations (none).

    refusal_mean = mean(hard_states + redirect_states)
    complied_mean = mean(none_states)
    direction = normalize(refusal_mean - complied_mean)
    
  3. Weight orthogonalization — The refusal direction is ablated from the model weights using orthogonal projection:

    • For attention/MLP projection weights: W' = W - factor * (direction ⊗ (direction^T @ W))
    • For lm_head: W' = W - factor * ((W @ direction) ⊗ direction^T)

    The ablation is applied to every decoder layer (1–27) and the lm_head at a uniform factor across all layers.

Why Single Direction for VL Models?

The heretic-style approach was chosen for this VL adaptation because:

  • Simplicity — Vision-language models have more complex architectures; a single direction reduces the ablation surface area and potential interactions with the vision tower.
  • Text-only abliteration — Refusal primarily manifests in the text decoder; the vision encoder is unaffected.
  • Sufficient for VL use cases — The single-direction approach has proven effective for text models, and VL refusal patterns follow similar geometry.

Notes & Limitations

  • Abliteration is not alignment removal or capability addition. It suppresses the refusal direction; it does not add knowledge or skills the base model lacks, and it can occasionally weaken instruction-following near the edited layers.
  • Vision capabilities preserved — The vision tower is unchanged; image understanding and multimodal reasoning remain intact.
  • Responsibility: Removing refusals shifts the safety burden entirely onto the deployer. Use within your own policy.

Attribution

  • Base weights: Qwen team (Qwen/Qwen2.5-VL-7B-Instruct).
  • Refusal-direction abliteration builds on the "refusal is mediated by a direction" line of interpretability work.
  • Heretic-style single-direction method: adapted for VL from classic abliteration techniques.
  • AblitVL implementation: eric-merritt (adaptation of ablitMD for vision-language models).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
85a4486

0 моделей