/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-9B
Библиотека
timm
Опубликована
10 сен 2026

qwen3_vit_416m_enc.qwen3_5_9b

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер timm на основе Qwen3.5-9B извлекает пространственные признаки и токены из RGB-изображений для мультимодальных систем.

34скачиваний 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

timm/qwen3_vit_416m_enc.qwen3_5_9b — визуальный энкодер изображений на основе собственного vision-энкодера Qwen3.5-9B, представленный в формате timm. Он извлекает пространственные признаки и после spatial merger проецирует токены в ширину 4096, соответствующую исходной языковой модели. Веса перенесены в формат timm без дополнительного обучения; языковые веса и обученная классификационная голова отсутствуют.

Модель предназначена для извлечения признаков из RGB-изображений и подготовки визуальных токенов для мультимодальных систем. Архитектура включает backbone шириной 1152 с MLP на GELU-tanh, обучаемыми абсолютными позициями и осевым 2D RoPE. Указанный в карточке размер изображения — 768 × 768; поддерживаются прямоугольные входы с размерами, кратными 16, а варианты с мерджером 2 × 2 требуют кратности 32. Вход нормализуется со средним и стандартным отклонением 0,5 для каждого RGB-канала.

Модель выдаёт визуальные признаки, а не классы изображений или текстовые ответы. Она не включает языковую часть Qwen3.5-9B, поэтому для диалога, рассуждений или ответов о содержимом изображения потребуется отдельная модель. Лицензия — Apache 2.0.

Сценарии применения

  • извлечение визуальных признаков из изображений
  • подготовка визуальных токенов для мультимодальной языковой модели
  • получение промежуточных карт признаков изображения
  • создание представлений изображений для последующей обработки

Ограничения

Модель не содержит языковых весов и обученной классификационной головы, поэтому сама по себе не отвечает на вопросы об изображениях и не выдаёт классы. Размеры входного изображения должны быть кратны 16; для варианта с мерджером 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_enc.qwen3_5_9b

A Qwen ViT image feature model extracted from Qwen3.5-9B. 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.

Model Details

Model Usage

Image Features

import torch
import timm
from PIL import Image

model = timm.create_model('hf-hub:timm/qwen3_vit_416m_enc.qwen3_5_9b', 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, 4096): projected spatial tokens
    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)

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
990fcc1

0 моделей