/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
timm
Опубликована
10 сен 2026

qwen3_vit_306m_enc.qwen3_vl_4b

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер Qwen3-VL для извлечения пространственных и промежуточных признаков из изображений.

29скачиваний за 30 дней0лайковвеса обновлены10 сен 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

Это извлечённый из Qwen3-VL-4B-Instruct визуальный энкодер Qwen3 ViT, преобразованный для библиотеки timm. Модель содержит vision backbone, пространственный merger и проекцию признаков в размерность 2560; языковые веса и обученная классификационная голова отсутствуют. В карточке указаны 332,7 млн параметров и базовый размер изображения 768 × 768.

Энкодер предназначен для получения признаков и пространственных токенов из изображений, а также промежуточных карт признаков. Он принимает RGB-изображения с размерами, кратными 16; для варианта с merger 2 × 2 размеры должны быть кратны 32. Поддерживаются прямоугольные изображения, позиционные эмбеддинги интерполируются для размера входной сетки. Реализация работает только с изображениями и не включает обработку языка или видео.

Это перенос весов в формат timm без дополнительного обучения. Лицензия — Apache 2.0. Энкодер сам по себе не выполняет классификацию: для неё нужна классификационная голова.

Сценарии применения

  • извлечение визуальных признаков для последующей обработки
  • получение пространственных токенов изображения для мультимодальной системы
  • вычисление промежуточных карт признаков для анализа изображений

Ограничения

Модель не содержит языковой модели и обученной классификационной головы, поэтому не предназначена для диалога или самостоятельной классификации. Реализация принимает только изображения, требует размеров, кратных 16 (или 32 для варианта с merger 2 × 2) и не включает DeepStack-проекторы.

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

Model card for qwen3_vit_306m_enc.qwen3_vl_4b

A Qwen ViT image feature model extracted from Qwen3-VL-4B-Instruct. This is the native vision encoder, including the spatial merger and projection to the source LLM width.

NOTE: This checkpoint is a native timm remap of the original vision weights, with no additional training. It contains no language-model weights or trained image-classification head.

Model Notes

  • Image inputs repeat one frame across the original temporal patch kernel. The temporal Conv3d weights are summed into a Conv2d for this image-only implementation.
  • The backbone uses GELU-tanh MLPs, learned absolute positions and axial 2D RoPE. Absolute positions are interpolated for the input grid; RoPE is regenerated at each size.
  • The timm transforms normalize RGB pixels using mean=(0.5, 0.5, 0.5) and std=(0.5, 0.5, 0.5). Rectangular inputs are supported. Each image dimension must be divisible by 16; any variant using the 2×2 merger requires divisibility by 32.
  • forward_features() returns raw, unnormalized NHWC backbone features. The _enc variant returns spatially merged tokens from forward(); the classifier variant returns pooled image embeddings until a classification head is added.
  • Qwen3-VL DeepStack projectors are omitted. Intermediate backbone features are available through forward_intermediates() or features_only=True.

Model Details

Model Usage

Image Features

import torch
import timm
from PIL import Image

model = timm.create_model('hf-hub:timm/qwen3_vit_306m_enc.qwen3_vl_4b', pretrained=True).eval()
data_config = timm.data.resolve_model_data_config(model)
transform = timm.data.create_transform(**data_config, is_training=False)
image = Image.open('image.jpg').convert('RGB')
x = transform(image).unsqueeze(0)

with torch.inference_mode():
    output = model(x)  # (1, 576, 2560): projected spatial tokens
    features = model.forward_features(x)  # (1, 48, 48, 1024): raw backbone features (NHWC)

Intermediate Feature Maps

with torch.inference_mode():
    maps = model.forward_intermediates(
        x, indices=3, output_fmt='NCHW', intermediates_only=True,
    )
for feature_map in maps:
    print(feature_map.shape)  # (1, 1024, 48, 48)

Citation

@article{Qwen3-VL,
  title={Qwen3-VL Technical Report},
  author={Bai, Shuai and others},
  journal={arXiv preprint arXiv:2511.21631},
  year={2025}
}
@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
c5e4f40

0 моделей