/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-7B
Опубликована
17 июл 2026

ShizhenGPT-7B-VL

Изображение и текст → текст

Мультимодальная модель на базе Qwen2.5-7B для ответов на вопросы по традиционной китайской медицине с использованием текста и изображений.

11скачиваний за 30 дней0лайковвеса обновлены17 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

ShizhenGPT-7B-VL — мультимодальная модель для задач традиционной китайской медицины, разработанная командой ShizhenGPT. Это вариант ShizhenGPT-7B-Omni, включающий языковую модель и визуальный энкодер; модель дообучена на основе Qwen/Qwen2.5-7B и предназначена для работы с текстом и изображениями. Она поддерживает диалог и визуальные задачи, связанные с диагностикой в традиционной китайской медицине. Для обработки других диагностических модальностей авторы предлагают версию ShizhenGPT-7B-Omni.

Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Карточка указывает китайский язык. Лицензия — Apache-2.0. Для развёртывания README рекомендует использовать её аналогично Qwen2.5-VL-7B-Instruct, в том числе через vLLM или SGLang.

Сценарии применения

  • ответы на вопросы о традиционной китайской медицине
  • анализ медицинских изображений в контексте традиционной китайской медицины
  • диалоговая помощь по диагностике в традиционной китайской медицине

Ограничения

Эта версия поддерживает только текст и изображения и не включает другие диагностические модальности, доступные в ShizhenGPT-7B-Omni.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ShizhenGPT is the first multimodal LLM for Traditional Chinese Medicine (TCM). It not only possesses strong expertise in TCM, but also supports TCM multimodal diagnostic capabilities, which involve looking (望), listening/smelling (闻), questioning (问), and pulse-taking (切).

👉 More details on GitHub: ShizhenGPT

Model Info

ShizhenGPT-7B-VL is a variant derived from ShizhenGPT-7B-Omni that includes only the LLM and vision encoder. It is recommended if your use case involves text or vision tasks exclusively. For broader multimodal needs, please select one of the versions below.

ParametersSupported ModalitiesLink
ShizhenGPT-7B-LLM7BTextHF Link
ShizhenGPT-7B-VL7BText, Image UnderstandingHF Link
ShizhenGPT-7B-Omni7BText, Four Diagnostics (望闻问切)HF Link
ShizhenGPT-32B-LLM32BTextHF Link
ShizhenGPT-32B-VL32BText, Image UnderstandingHF Link
ShizhenGPT-32B-Omni32BText, Four Diagnostics (望闻问切)Available soon

Note: The LLM and VL models are parameter-split variants of ShizhenGPT-7B-Omni. Since their architectures align with Qwen2.5 and Qwen2.5-VL, they are easier to adapt to different environments. In contrast, ShizhenGPT-7B-Omni requires transformers==4.51.0.

Usage

You can use ShizhenGPT-7B-VL in the same way as Qwen2.5-VL-7B-Instruct. You can deploy it with tools like vllm or Sglang, or perform direct inference:

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info


processor = AutoProcessor.from_pretrained("FreedomIntelligence/ShizhenGPT-7B-VL")
model = Qwen2_5_VLForConditionalGeneration.from_pretrained("FreedomIntelligence/ShizhenGPT-7B-VL", torch_dtype="auto", device_map="auto")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "/path/to/your/image.png",
            },
            {"type": "text", "text": "请从中医角度解读这张舌苔。"},
        ],
    }
]

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")

# Inference: Generation of the output
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)

📖 Citation

@misc{chen2025shizhengptmultimodalllmstraditional,
      title={ShizhenGPT: Towards Multimodal LLMs for Traditional Chinese Medicine}, 
      author={Junying Chen and Zhenyang Cai and Zhiheng Liu and Yunjin Yang and Rongsheng Wang and Qingying Xiao and Xiangyi Feng and Zhan Su and Jing Guo and Xiang Wan and Guangjun Yu and Haizhou Li and Benyou Wang},
      year={2025},
      eprint={2508.14706},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2508.14706},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
7dc2bc1

0 моделей