/ Модель

Характеристики

Контекст
1 024 токена
Параметры
80,1 млн
Лицензия
MIT
Архитектура
git · dense
Базовая модель
git-base-vqav2
Библиотека
transformers
Опубликована
27 сен 2026

git-vqav2-medium

Генерация текстаТекст → текст3 профессии

Англоязычная модель GIT, дообученная на VQAv2 для генерации коротких ответов на вопросы об изображениях.

23скачиваний за 30 дней0лайковвеса обновлены27 сен 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

thealper2/git-vqav2-medium — дообученная модель на базе microsoft/git-base-vqav2 для ответов на вопросы по изображениям. Она использует архитектуру GIT: визуальный энкодер CLIP ViT-B/16 принимает изображение 480×480, а 6-слойный причинный Transformer-декодер генерирует текстовый ответ. Модель содержит 80,1 млн параметров и рассчитана на контекст до 1024 токенов.

Модель обучена на 50 000 вопросов из VQAv2, связанных с изображениями COCO, и предназначена для англоязычного визуального вопросно-ответного поиска: пользователь задаёт вопрос вместе с изображением и получает короткий ответ. В описанной проверке на подмножестве из 500 вопросов точность VQA составила 82,54%; этот результат не является оценкой на официальном тестовом сервере.

Модель поддерживает только английский язык и изображения домена COCO; пакетная генерация требует группировать запросы одинаковой длины. Проверка на валидации может завышать качество, поскольку базовая модель, вероятно, уже обучалась на этих данных. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • определение объектов и их количества на изображении
  • распознавание действий и сцен на изображениях COCO

Ограничения

Работает только с английским языком и изображениями домена COCO; при пакетной генерации промпты должны иметь одинаковую длину. Оценка на подмножестве validation может быть завышена из-за возможного попадания этих данных в обучение базовой модели.

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

git-vqav2-medium

microsoft/git-base-vqav2 fine-tuned on VQAv2 (50,000 training questions).

Model

ArchitectureGitForCausalLM (GIT-base)
Vision encoderCLIP ViT-B/16, 12 layers, 480×480 input, 901 visual tokens
Text decoder6-layer causal Transformer, hidden 768, 12 heads, max 1024 positions
TokenizerBERT WordPiece (uncased), vocab 30,522
Parameters177,159,738 (trainable during fine-tuning: 177,159,738, strategy full)
Weightsfp32, safetensors

Input / output format

  • Image: CLIPImageProcessor — resize shortest edge to 480 (bicubic), center crop 480×480, rescale 1/255, normalize with CLIP mean/std.
  • Text prompt: [CLS] question (no [SEP] between question and answer).
  • Output: the answer tokens generated after the prompt, terminated by [SEP] (eos id 102).
  • Training sequence: [CLS] question answer [SEP]; loss only on answer [SEP] (all other positions -100).

Training data

DatasetHuggingFaceM4/VQAv2, parquet conversion refs/convert/parquet @ ac4a1a047466a7019b5357ce94b6b5794fc9f867
Splittrain (COCO train2014 images)
Shards / questions[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19] / 50,000
Rows skipped (missing question/answer)0
Target answermajority vote over the 10 human answers (lower-cased, whitespace/edge punctuation stripped; ties → multiple_choice_answer)
Model selection1,000 questions from validation shards [2, 7], best vqa_accuracy

Training procedure

HyperparameterValue
Epochs2
OptimizerAdamW (β=(0.9, 0.999), ε=1e-8), no decay on biases/LayerNorm
Learning rate2e-06, linear decay, warmup 156 steps
Batch size8 × 4 accumulation = 32
Weight decay0.01
Gradient clipping1.0
Precisionbf16 autocast, fp32 master weights
Vision attentionsdpa
Optimizer steps3,126
Best checkpointstep 500 (vqa_accuracy = 84.39)
Seed42
HardwareNVIDIA GeForce RTX 5060 Ti
Softwaretorch 2.11.0+cu128, transformers 5.17.0, datasets 4.3.0

Evaluation

VQAv2 consensus accuracy (official vqaEval.py normalization; per question mean over 10 leave-one-out subsets of min(1, matches/3)) and exact match against the majority answer (not an official metric). Deterministic decoding: max_new_tokens=10, num_beams=1, do_sample=False.

Evaluation set: 500 questions sampled with a fixed seed from validation shard(s) [0] (subset fingerprint 1daf0de4dae278b4), disjoint from the model-selection questions. Both models were evaluated on exactly the same questions.

Metricmicrosoft/git-base-vqav2This modelΔ
VQA accuracy83.3282.54-0.78
Exact match73.4072.00-1.40
VQA accuracy (number)79.4777.07-2.40
VQA accuracy (other)75.7474.84-0.90
VQA accuracy (yes/no)95.1495.19+0.05

Usage

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM

repo = "thealper2/git-vqav2-medium"
processor = AutoProcessor.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo).eval()

image = Image.open("example.jpg").convert("RGB")
question = "what color is the car?"
pixel_values = processor(images=image, return_tensors="pt").pixel_values
input_ids = [processor.tokenizer.cls_token_id] + processor.tokenizer(question, add_special_tokens=False).input_ids
input_ids = torch.tensor([input_ids])

out = model.generate(pixel_values=pixel_values, input_ids=input_ids, max_new_tokens=10)
print(processor.batch_decode(out[:, input_ids.shape[1]:], skip_special_tokens=True)[0])

Batched generation: GIT does not derive text position ids from the attention mask, so padded prompts change the output. Batch only prompts of equal token length.

Limitations

  • Scores are computed on a subset of the official validation split, not on the test-dev evaluation server, and are not comparable to published test-dev numbers.
  • The base checkpoint scores well above published GIT-base test-dev results on these validation questions, which indicates that VQAv2 validation data was part of its original fine-tuning. Absolute accuracies on validation are therefore optimistic for both models.
  • Answers are lower-case (uncased tokenizer). WordPiece splits punctuation, so decoded answers such as 11 : 10 need detokenization (11:10).
  • English only; COCO-domain images.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GitForCausalLM
Ревизия весов
cf1a2e8

0 моделей