/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
penguinvl_vision_encoder · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
5 мар 2026

Penguin-Encoder

ЭмбеддингиТекст → embedding3 профессии

Компактный визуальный энкодер Tencent на базе Qwen3-0.6B для извлечения признаков изображений и использования в системах Penguin-VL.

482скачиваний за 30 дней23лайкавеса обновлены9 мар 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 «Эмбеддинги» — 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

Penguin-Encoder — дообученный визуальный энкодер Tencent из проекта Penguin-VL, созданного для изучения эффективности компактных визуально-языковых моделей. В отличие от энкодеров, предварительно обученных контрастивным способом, он основан на текстовой модели Qwen3-0.6B: архитектура адаптирована двунаправленным вниманием и 2D-RoPE для представления визуальной информации. Модель содержит около 507,9 млн параметров и рассчитана на извлечение признаков; заявленная длина контекста составляет 40 960 токенов.

Энкодер предназначен для получения визуальных представлений в составе систем Penguin-VL и других сценариев, где визуальные признаки должны быть совместимы с языковой моделью. В карточке указана поддержка английского языка, однако отдельные задачи понимания изображений и языковой генерации для этой модели не заявлены. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. README не приводит сравнительных численных результатов для энкодера.

Сценарии применения

  • извлечение визуальных признаков для мультимодальной модели
  • кодирование изображений для передачи признаков языковой модели
  • построение визуально-языковых систем на базе Penguin-VL

Ограничения

Карточка не приводит количественных сравнений качества или отдельных результатов для энкодера. Модель описана как визуальный энкодер, поэтому заявленная задача ограничена извлечением признаков и не включает самостоятельную генерацию текста.

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

📰 News

  • 2026.03 — PenguinVL-Encoder now available for general use.
  • 2026.03 — Released PenguinVL-2B, PenguinVL-8B.

🌟 Model Overview

PenguinVL is a compact Vision-Language Model, designed to explore the efficiency limits of small-scale VLMs.

Unlike most existing VLMs that rely on contrastive-pretrained vision encoders (e.g., CLIP/SigLIP), Penguin-VL initializes its vision encoder directly from a text-only LLM. This design avoids the objective mismatch between contrastive learning and autoregressive language modeling, enabling tighter alignment between visual representations and the language backbone.

Key Characteristics

  • 🧠 LLM-based Vision Encoder
    The vision encoder is adapted from a pretrained text LLM (Qwen3-0.6B), modified with bidirectional attention and 2D-RoPE for spatial modeling.
    This provides strong semantic priors and native compatibility with the downstream LLM.

🧪 Quick Start — Transformers Inference

import torch
from transformers import AutoModel, AutoImageProcessor
from transformers.image_utils import load_image

model_name = "tencent/Penguin-Encoder"
image_path = "your_img.jpg"
images = load_image(image_path)

model = AutoModel.from_pretrained(
    model_name,
    trust_remote_code=True,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)
processor = AutoImageProcessor.from_pretrained(model_name, trust_remote_code=True)

inputs = processor(images=images, merge_size=1)
inputs = {k: torch.tensor(v).cuda() for k, v in inputs.items()}
if "pixel_values" in inputs:
    inputs["pixel_values"] = inputs["pixel_values"].to(torch.bfloat16)
image_features = model(**inputs)

🌎 Model Zoo

ModelBase ModelHF Link
PenguinVL-8BQwen3-8Btencent/Penguin-VL-8B
PenguinVL-2BQwen3-1.7Btencent/Penguin-VL-2B
PenguinVL-EncoderQwen3-0.6Btencent/Penguin-Encoder

🚀 Main Results

Ablation Study:

image

Main Results can see the ablation section in our paper.

Citation

If you find Penguin-VL useful for your research and applications, please cite using this BibTeX:

@article{Penguin-VL,
  title={Penguin-VL: Exploring the Efficiency Limits of VLM with LLM-based Vision Encoders},
  author={Boqiang Zhang and Lei Ke and Ruihan Yang and Qi Gao and Tianyuan Qu and Rossell Chen and Dong Yu and Leoweiliang},
  journal={arXiv preprint arXiv:2603.06569},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
PenguinVLVisionEncoderModel
Ревизия весов
62327d3

0 моделей