/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Youtu-VL-4B-Instruct
Библиотека
llama.cpp
Опубликована
23 янв 2026

Youtu-VL-4B-Instruct-GGUF

Изображение и текст → текст7 профессий

Youtu-VL-4B-Instruct-GGUF — компактная мультимодальная vision-language модель, разработанная Tencent Youtu Lab на базе Youtu-LLM.

1 721скачиваний за 30 дней61лайквеса обновлены10 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Модель предназначена для обработки изображений и текста в сценариях визуального вопросно-ответного взаимодействия, мультимодального рассуждения, OCR, анализа нескольких изображений, понимания реальных сцен, оценки галлюцинаций и задач GUI-агента. Она также ориентирована на визуальное grounding, классификацию изображений, детекцию объектов, подсчёт объектов и оценку позы человека.

Модель содержит 4 млрд параметров и распространяется в формате GGUF для запуска с llama.cpp. В её основе лежит подход Vision-Language Unified Autoregressive Supervision (VLUAS), при котором визуальные и текстовые токены участвуют в едином авторегрессионном обучении. Это позволяет использовать стандартную архитектуру vision-language модели без специализированных модулей для разных задач и способствует сохранению детальной визуальной информации. Поддерживаются текст и изображения, однако сведения о языках и размере контекстного окна в README не указаны.

К сильным сторонам относятся компактный размер, эффективность и широкий спектр общих мультимодальных и визуальных сценариев. Существенное ограничение GGUF-версии заключается в том, что она не поддерживает задачи плотного предсказания, включая сегментацию и оценку глубины; для них рекомендуется исходная версия Youtu-VL-4B-Instruct на Transformers. Модель доступна по специальной лицензии youtu-vl; также указано ограничение доступа для пользователей из Европейского союза.

Для каких профессий подходит7

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

📃 License • 💻 Code • 🏠 Project Page • 📑 Technical Report • 📊 Benchmarks • 🚀 Getting Started

🎯 Introduction

Youtu-VL is a lightweight yet robust Vision-Language Model (VLM) built on the Youtu-LLM with 4B parameters. It pioneers Vision-Language Unified Autoregressive Supervision (VLUAS), which markedly strengthens visual perception and multimodal understanding. This enables a standard VLM to perform vision-centric tasks without task-specific additions. Across benchmarks, Youtu-VL stands out for its versatility, achieving competitive results on both vision-centric and general multimodal tasks.

✨ Key Features

  • Comprehensive Vision-Centric Capabilities: The model demonstrates strong, broad proficiency across classic vision-centric tasks, delivering competitive performance in visual grounding, image classification, object detection, referring segmentation, semantic segmentation, depth estimation, object counting, and human pose estimation.

  • Promising Performance with High Efficiency: Despite its compact 4B-parameter architecture, the model achieves competitive results across a wide range of general multimodal tasks, including general visual question answering (VQA), multimodal reasoning and mathematics, optical character recognition (OCR), multi-image and real-world understanding, hallucination evaluation, and GUI agent tasks.

🤗 Model Download

Model NameDescriptionDownload
Youtu-VL-4B-InstructVisual language model of Youtu-LLM🤗 Model
Youtu-VL-4B-Instruct-GGUFVisual language model of Youtu-LLM, in GGUF format🤗 Model

🧠 Model Architecture Highlights

  • Vision–Language Unified Autoregressive Supervision (VLUAS): Youtu-VL is built on the VLUAS paradigm to mitigate the text-dominant optimization bias in conventional VLMs, where visual signals are treated as passive conditions and fine-grained details are often dropped. Rather than using vision features only as inputs, Youtu-VL expands the text lexicon into a unified multimodal vocabulary through a learned visual codebook, turning visual signals into autoregressive supervision targets. Jointly reconstructing visual tokens and text explicitly preserves dense visual information while strengthening multimodal semantic understanding.

  • Vision-Centric Prediction with a Standard Architecture (no task-specific modules): Youtu-VL treats image and text tokens with equivalent autoregressive status, empowering it to perform vision-centric tasks for both dense vision prediction (e.g., segmentation, depth) and text-based prediction (e.g., grounding, detection) within a standard VLM architecture, eliminating the need for task-specific additions. This design yields a versitile general-purpose VLM, allowing a single model to flexibly accommodate a wide range of vision-centric and vsion-language requirements.

🏆 Model Performance

Vision-Centric Tasks

General Multimodal Tasks

🚀 Quickstart

This guide will help you quickly deploy and invoke the Youtu-VL-4B-Instruct-GGUF model using llama.cpp.

llama-server -hf tencent/Youtu-VL-4B-Instruct-GGUF:Q8_0 \
  --port 8080 \
  --image-max-tokens 2048 \
  --temp 0.1 \
  --top-p 0.001 \
  --repeat-penalty 1.05 \
  -n 12280 \
  --host 0.0.0.0

⚠️ Note: Dense prediction tasks (including Segmentation and Depth Estimation) are currently NOT supported in the Youtu-VL-4B-Instruct-GGUF version. For these capabilities, please refer to the original Transformers version: Youtu-VL-4B-Instruct.

🎉 Citation

If you find our work useful in your research, please consider citing our paper:

@article{youtu-vl,
  title={Youtu-VL: Unleashing Visual Potential via Unified Vision-Language Supervision},
  author={Tencent Youtu Lab},
  year={2026},
  eprint={2601.19798},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2601.19798}, 
}

@article{youtu-llm,
  title={Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models},
  author={Tencent Youtu Lab},
  year={2025},
  eprint={2512.24618},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2512.24618}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · llama.cpp

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
1b7e295

0 моделей