/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
penguinvl_qwen3 · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
5 мар 2026

Penguin-VL-2B

Генерация текстаТекст → текст13 профессий

Компактная мультимодальная модель Tencent на базе Qwen3-1.7B для диалогов и рассуждений по изображениям, документам и видео.

703скачиваний за 30 дней44лайкавеса обновлены11 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 «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

Penguin-VL-2B — компактная vision-language-модель Tencent, построенная на языковой основе Qwen3-1.7B. В модели объединены визуальный энкодер, созданный на основе Qwen3-0.6B, лёгкий MLP-проектор и языковой бэкенд Qwen3. Энкодер использует двунаправленное внимание и 2D-RoPE для обработки пространственной информации; для видео применяется сжатие токенов с учётом временной избыточности кадров.

Модель предназначена для диалоговых задач с изображениями и видео: ответов на визуальные вопросы, OCR, понимания документов и диаграмм, а также рассуждений по содержимому кадров. Заявленная длина контекста — 40 960 токенов, размер языковой основы — 1,7 млрд параметров. В карточке приведены результаты на тестах для изображений, документов, OCR, математики и видео. Метаданные указывают английский язык; других языков карточка не подтверждает.

Модель дообучена на Qwen/Qwen3-1.7B, распространяется в формате Safetensors по лицензии Apache-2.0. Качество может зависеть от разрешения и сложности визуального входа; опубликованные результаты бенчмарков не гарантируют точность на конкретных данных. Описание не уточняет ограничения по длительности видео или точную процедуру запуска.

Сценарии применения

  • ответы на вопросы по изображениям
  • извлечение текста и сведений из документов
  • распознавание и анализ диаграмм
  • анализ содержимого видео и кадров
  • решение визуальных задач на понимание и рассуждение

Ограничения

Заявленные результаты основаны на бенчмарках и не гарантируют точность на конкретных данных. Карточка не уточняет ограничения по длительности видео и точную процедуру запуска.

Для каких профессий подходит13

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

📰 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. Rather than being only an instruction-tuned model, PenguinVL is built from the ground up through LLM-based vision encoder construction, multimodal pretraining, and subsequent instruction tuning.

Unlike most existing VLMs that rely on contrastive-pretrained vision encoders (e.g., CLIP/SigLIP), PenguinVL 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.

  • 🎥 Efficient Video Understanding
    A Temporal Redundancy-Aware (TRA) token compression strategy dynamically allocates token budgets across frames, enabling long-video reasoning within a limited context window.

  • 🏗 Unified Architecture
    The model consists of:

    1. LLM-initialized vision encoder
    2. Lightweight MLP projector
    3. Qwen3 language backbone
  • 📊 Compact but Strong
    At 2B scale, Penguin-VL achieves competitive performance across image, document, OCR, math, and video benchmarks while remaining deployment-friendly.


🧪 Quick Start — Transformers Inference

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

model_name = "tencent/Penguin-VL-2B"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    trust_remote_code=True,
    device_map="auto",
    torch_dtype=torch.bfloat16,
)

processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)

# Example: Image + Text
inputs = processor(
    conversation=[
        {"role": "system", "content": "You are a helpful assistant."},
        {
            "role": "user",
            "content": [
                {"type": "image", "image": {"image_path": "assets/example.jpg"}},
                {"type": "text", "text": "Describe this image."}
            ],
        },
    ],
    return_tensors="pt",
)

inputs = {k: v.cuda() if isinstance(v, torch.Tensor) else v for k, v in inputs.items()}
if "pixel_values" in inputs:
    inputs["pixel_values"] = inputs["pixel_values"].to(torch.bfloat16)

output_ids = model.generate(**inputs, max_new_tokens=128)
response = processor.decode(output_ids[0], skip_special_tokens=True)

print(response)

🌎 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

Chart / OCR / Document Understanding

BenchmarkPenguin-VL 2BQwen3-VL 2BInternVL3.5 2BGemma3n E2B-itSmolVLM2 2.2B
InfoVQA77.872.470.851.943.0
ChartQA86.676.980.765.868.7
DocVQA94.193.389.478.480.0
CharXiv (DQ / RQ)66.4 / 35.862.3 / 26.865.0 / 31.660.1 / 27.036.9 / 15.5
OCRBench810858836700729

General Knowledge / Multi-Image / Math Reasoning

BenchmarkPenguin-VL 2BQwen3-VL 2BInternVL3.5 2BGemma3n E2B-itSmolVLM2 2.2B
AI2D80.776.978.874.670.0
RealWorldQA70.263.962.059.958.3
V-star83.874.969.146.051.8
MMMU-Pro31.436.531.628.020.1
BLINK51.753.836.644.144.0
MathVista67.361.360.850.451.5
MathVerse35.952.139.622.521.5
LogicVista41.335.847.733.924.8

Video Understanding

BenchmarkPenguin-VL 2BQwen3-VL 2BInternVL3.5 2BGemma3n E2B-itSmolVLM2 2.2B
MVBench65.561.765.946.846.3
LongVideoBench59.552.157.443.049.7
VideoMME57.461.958.447.052.1
Egochema57.655.750.548.034.0
MMVU42.741.742.734.533.5
CharadesSTA56.254.521.95.59.5
NextQA79.976.976.165.462.4
ActivityNetQA61.559.758.351.552.6
Perception Test70.464.564.748.651.6

Bold indicates the best score among compared models. More details can see 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
PenguinVLQwen3ForCausalLM
Ревизия весов
26ac2ce

0 моделей