/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-4B
Библиотека
timm
Опубликована
10 сен 2026

qwen3_vit_306m_merge.qwen3_5_4b

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер Qwen3.5-4B в формате timm для извлечения эмбеддингов и карт признаков изображений.

33скачиваний 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 модель извлечения признаков изображений на основе визуального энкодера Qwen3.5-4B, преобразованного в формат timm. Она предназначена для получения векторных представлений изображений и промежуточных карт признаков, которые можно использовать в последующих задачах компьютерного зрения или дообучить для классификации. Веса визуальной части не дообучались: классификационная голова отсутствует, поэтому для классификации её нужно обучить отдельно.

Модель содержит 332,7 млн параметров; ширина визуального backbone — 1024, проекции — 2560. Она принимает RGB-изображения, поддерживает прямоугольные размеры, использует абсолютные позиционные эмбеддинги и двумерный RoPE. Размер каждой стороны изображения должен делиться на 16, а для вариантов с объединением патчей 2×2 — на 32. Для стандартной обработки указаны изображения 768 × 768. Реализация рассчитана только на изображения и не содержит языковых весов Qwen.

Модель разработана на основе визуальных весов Qwen3.5-4B и опубликована в репозитории timm; лицензия — Apache 2.0. Она выдаёт эмбеддинги и карты признаков, но не готовые классы изображений. Средняя операция для получения вектора сворачивает пространственные токены, поэтому детальные пространственные признаки следует получать через промежуточные карты или токены.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска по сходству
  • подготовка признаков изображений для собственной классификационной модели
  • получение промежуточных карт признаков для компьютерного зрения

Ограничения

Готовой классификационной головы и языковых весов нет; для классификации требуется обучить новую голову на целевом наборе данных. Размеры изображений должны удовлетворять ограничениям делимости на 16 или на 32 для вариантов с объединением 2×2.

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_merge.qwen3_5_4b

A Qwen ViT image feature model extracted from Qwen3.5-4B. This is the classifier-ready wrapper retaining the native spatial merger and LLM-width projection, followed by average pooling and affine-free LayerNorm.

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 projected NLC tokens from the native merger. encoder.forward_features() returns raw NHWC backbone features. forward() returns pooled image embeddings until a classification head is added.

Model Details

Model Usage

Image Features

import torch
import timm
from PIL import Image

model = timm.create_model('hf-hub:timm/qwen3_vit_306m_merge.qwen3_5_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, 2560): image embeddings
    features = model.forward_features(x)  # (1, 576, 2560): projected spatial tokens (NLC)

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)

Classification Fine-tuning

model = timm.create_model(
    'hf-hub:timm/qwen3_vit_306m_merge.qwen3_5_4b', pretrained=True, num_classes=45,
)
logits = model(x)  # (1, 45)

The new linear head is randomly initialized and must be trained on your target dataset.

Citation

@misc{qwen3.5,
  title={{Qwen3.5}: Towards Native Multimodal Agents},
  author={{Qwen Team}},
  month={February},
  year={2026},
  url={https://qwen.ai/blog?id=qwen3.5}
}
@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
34b161f

0 моделей