/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Размер весов
17,3 ГБ
Лицензия
Apache 2.0
Архитектура
penguinvl_qwen3 · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
5 мар 2026

Penguin-VL-8B

Генерация текстаТекст → текст14 профессий

Компактная зрительно-языковая модель Tencent на базе Qwen3-8B для диалоговых ответов по изображениям, документам и видео.

503скачиваний за 30 дней80лайковвеса 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-8B — компактная зрительно-языковая модель Tencent, построенная на базе Qwen3-8B и разработанная для обработки изображений, документов и видео вместе с текстом. Модель содержит около 7,6 млрд параметров и использует архитектуру PenguinVLQwen3ForCausalLM: визуальный энкодер, инициализированный текстовой моделью Qwen3-0.6B, лёгкий MLP-проектор и языковую основу Qwen3. Для понимания видео применяется сжатие токенов с учётом временной избыточности кадров.

Модель предназначена для диалоговых запросов по визуальному содержимому: ответов на вопросы по изображениям и видео, OCR, анализа диаграмм и документов, а также мультимодальных рассуждений. В README сообщается о конкурентных результатах на тестах для изображений, документов, OCR, математики и видео; контекст составляет 40 960 токенов. Метаданные указывают английский язык, библиотеку Transformers и лицензию Apache-2.0.

Хотя README описывает визуальные и видеовозможности, pipeline_tag и каталог классифицируют репозиторий как text-generation. Не следует считать приведённые результаты гарантией качества на произвольных данных; README не уточняет ограничения по разрешению, длительности видео и аппаратным требованиям.

Сценарии применения

  • ответы на вопросы по изображениям
  • извлечение текста и сведений из документов и сканов
  • распознавание и анализ диаграмм и графиков
  • ответы на вопросы по содержанию видео
  • мультимодальные математические рассуждения

Ограничения

Заявленные результаты относятся к перечисленным в README бенчмаркам и не гарантируют качество на произвольных данных. В карточке не приведены ограничения по разрешению изображений, длительности видео и аппаратным требованиям.

Для каких профессий подходит14

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 8B 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-8B"

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 8BQwen3-VL 8BInternVL3.5 8BOpenAI GPT-5 nano
InfoVQA86.883.179.149.2
ChartQA90.589.686.748.6
DocVQA96.296.192.378.3
CharXiv (DQ / RQ)75.7 / 40.083.0 / 46.472.2 / 44.464.4 / 31.7
OCRBench852896840701

General Knowledge / Multi-Image / Math Reasoning

BenchmarkPenguin-VL 8BQwen3-VL 8BInternVL3.5 8BOpenAI GPT-5 nano
AI2D86.185.784.065.7
RealWorldQA75.871.567.560.7
V-star90.290.170.763.4
MMMU-Pro40.255.939.736.5
BLINK58.269.159.542.2
MathVista77.477.274.240.9
MathVerse50.862.155.827.0
LogicVista53.855.357.340.5

Video Understanding

BenchmarkPenguin-VL 8BQwen3-VL 8BInternVL3.5 8BOpenAI GPT-5 nano
MVBench71.768.772.152.9
LongVideoBench67.062.662.138.1
VideoMME66.271.466.049.4
Egochema67.070.261.034.8
MMVU53.958.751.551.0
CharadesSTA61.456.032.85.0
NextQA85.482.381.359.3
ActivityNetQA65.263.760.1–
Perception Test78.072.772.7–

Bold indicates the best result 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
59c8194

0 моделей