/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
Apache 2.0
Архитектура
smolvlm · dense
Базовая модель
SmolVLM2-500M-Video-Instruct
Библиотека
transformers
Опубликована
13 июл 2026

SmolVLM2-500M-vi-stage1

Изображение и текст → текст

Компактная мультимодальная модель, дообученная для создания вьетнамских подписей к изображениям и ответов на вопросы о них.

9скачиваний за 30 дней0лайковвеса обновлены13 июл 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 «Изображение → 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

SmolVLM2-500M-vi-stage1 — компактная мультимодальная модель на основе HuggingFaceTB/SmolVLM2-500M-Video-Instruct, адаптированная для вьетнамского языка. Разработчик расширил токенизатор на 8 064 вьетнамских подсловных токена и дообучил LoRA-адаптер вместе с новыми строками эмбеддингов; адаптер и эмбеддинги объединены с базовыми весами, поэтому модель загружается как самостоятельный чекпойнт. Она принимает изображения и текстовые запросы и генерирует текстовые ответы и подписи к изображениям. Вьетнамский — основной язык; в обучающую смесь также входили англоязычные данные.

Модель предназначена прежде всего для описания изображений на вьетнамском языке, а также для ответов на вопросы по изображениям, включая OCR-сценарии. В карточке сообщается о заметном улучшении качества вьетнамских подписей и умеренном улучшении на ViOCRVQA по сравнению с базовой моделью. Используются архитектура SmolVLM, класс SmolVLMForConditionalGeneration, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0.

Это стадия 1 адаптации модели размером 500 млн параметров. Открытые вопросы по сценам и распознаванию текста остаются сложными; возможны артефакты написания редких вьетнамских токенов. Английские способности частично сохранены, но в README они не оценивались.

Сценарии применения

  • создание описаний изображений на вьетнамском языке
  • ответы на вопросы по содержимому изображения на вьетнамском языке
  • извлечение ответов из изображений с текстом на вьетнамском языке
  • подписи к изображениям для вьетнамских наборов данных

Ограничения

На этапе 1 модель лучше всего справляется с подписями к изображениям; ответы на открытые вопросы, особенно сцены с текстом и OCR-рассуждения, остаются слабыми. Возможны ошибки написания редких вьетнамских токенов; английские способности в README не оценивались.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SmolVLM2-500M-vi-stage1

Vietnamese stage-1 adaptation of SmolVLM2-500M-Video-Instruct. The tokenizer was extended with 8,064 Vietnamese sub-word tokens (vocab 49,280 → 57,344) and the model was trained on a Vietnamese image–text mixture. This is a standalone merged model — the LoRA adapter and the newly-trained token embeddings have been folded into the base weights, so it loads directly with AutoModelForImageTextToText.from_pretrained with no adapter step.

What was trained

  • Tokenizer expansion: 8,064 new Vietnamese BPE tokens (IDs 49,280–57,343), mean-initialized, cutting Vietnamese fertility (tokens/word) substantially.
  • Recipe: LoRA (r=32, α=64) on attention + MLP projections, plus only the 8,064 new token rows of embed_tokens and lm_head trained via PEFT trainable_token_indices (base vocabulary frozen). This avoids the base-vocab forgetting / mode collapse that fully training the embeddings caused in an earlier run.
  • Schedule: 2 epochs, effective batch 48 (4 × 3 GPU × 4 grad-accum), LR 1e-4 cosine, bf16, 1536px images.

Training data

Vietnamese multimodal + a slice of English, roughly:

SourceTypeNote
ViOCRVQAOCR-VQA (vi)~19.7k
OpenViVQAscene-text VQA (vi)~9.1k
UIT-ViICimage captioning (vi)~13.5k
the_cauldron (vqav2 / ocrvqa / textvqa)VQA (en)sampled, anti-forgetting
Vietnamese Wikipediatext~25k, signal for new embeddings

Evaluation

Base vs. this model, 200 samples/task (exact_match/token_f1 for VQA; bleu/rougeL for captioning):

TaskMetricBaseThis model
ViOCRVQA (test)token_f15.317.04
ViOCRVQA (test)exact_match0.001.50
UIT-ViIC (valid)rougeL12.2926.83
UIT-ViIC (test)rougeL13.3921.94
OpenViVQA (dev)token_f119.733.17

The main, genuine gains are in Vietnamese image captioning (UIT-ViIC rougeL roughly doubles) and modest OCR-VQA improvement. The OpenViVQA token_f1 number drops, but note the base score there is inflated by the base model echoing the question back (which overlaps reference tokens); both models actually struggle with this open-ended scene-text VQA task at 500M scale.

Usage

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

repo = "thuanan/SmolVLM2-500M-vi-stage1"
processor = AutoProcessor.from_pretrained(repo)
model = AutoModelForImageTextToText.from_pretrained(
    repo, torch_dtype=torch.bfloat16
).to("cuda").eval()

image = Image.open("your_image.jpg").convert("RGB")
messages = [{"role": "user", "content": [
    {"type": "image"},
    {"type": "text", "text": "Mô tả bức ảnh này."},
]}]
prompt = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)
inputs = processor(text=prompt, images=[image], return_tensors="pt").to("cuda", torch.bfloat16)
out = model.generate(**inputs, max_new_tokens=64)
print(processor.batch_decode(out, skip_special_tokens=True)[0])

Limitations

  • Stage-1 only: best at captioning; open-ended Vietnamese VQA (esp. scene-text / OCR reasoning) remains weak — expected for a 500M model.
  • Occasional spelling artifacts on rare Vietnamese tokens (under-trained embeddings), most visible on OpenViVQA-style questions.
  • English capability is partially preserved (anti-forgetting data) but not benchmarked here.

License

Apache-2.0, inherited from the base SmolVLM2 model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SmolVLMForConditionalGeneration
Ревизия весов
5046708

0 моделей