/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
timm
Опубликована
10 сен 2026

qwen3_vit_416m.qwen3_vl_8b

Эмбеддинги изображенийИзображение → embedding3 профессии

Перенесённый в timm визуальный энкодер Qwen3-VL для извлечения признаков и эмбеддингов изображений.

64скачиваний 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-энкодер изображений timm/qwen3_vit_416m.qwen3_vl_8b, созданная как перенос весов визуального энкодера Qwen3-VL-8B-Instruct в timm. Она предназначена для извлечения признаков изображений и подготовки эмбеддингов или карт признаков для последующей классификации и других задач компьютерного зрения. Веса не дообучались; языковая модель, проекторы DeepStack и обученная классификационная голова в чекпойнт не входят.

Визуальная часть содержит около 415 млн параметров и использует MLP с GELU-tanh, обучаемые абсолютные позиционные представления и двумерный axial RoPE. Указанный размер изображения — 768 × 768; поддерживаются прямоугольные входы с размерами, кратными 16, а для вариантов с объединением 2 × 2 — кратными 32. Реализация адаптирует временное свёрточное ядро исходного энкодера к двумерным изображениям; для нормализации RGB используются среднее и стандартное отклонение 0,5 по каждому каналу.

Модель выдаёт признаки визуального энкодера, в том числе пространственные карты признаков и pooled image embeddings. Для получения классификации необходимо добавить и обучить собственную голову на целевом наборе данных. Лицензия — Apache 2.0.

Сценарии применения

  • извлечение признаков изображений для компьютерного зрения
  • получение эмбеддингов изображений для поиска по визуальному сходству
  • подготовка карт признаков для последующей обработки
  • дообучение классификатора изображений с собственной головой

Ограничения

Веса не дообучались, языковая модель и обученная классификационная голова отсутствуют; для классификации требуется добавить и обучить собственную голову. Размеры изображений должны быть кратны 16, а для вариантов с объединением 2 × 2 — кратны 32.

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_416m.qwen3_vl_8b

A Qwen ViT image feature model extracted from Qwen3-VL-8B-Instruct. This is the classifier-ready wrapper with average pooling and affine-free LayerNorm over the encoder features.

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_416m.qwen3_vl_8b', 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, 1152): image embeddings
    features = model.forward_features(x)  # (1, 48, 48, 1152): 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, 1152, 48, 48)

Classification Fine-tuning

model = timm.create_model(
    'hf-hub:timm/qwen3_vit_416m.qwen3_vl_8b', 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

@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
b4ae51d

0 моделей