/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-30B-A3B-Instruct
Библиотека
timm
Опубликована
10 сен 2026

qwen3_vit_416m_enc.qwen3_vl_30b_a3b

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер Qwen3-VL в формате timm для извлечения признаков и токенов из изображений.

28скачиваний 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 визуальный энкодер семейства Qwen, представленный в timm как извлечённая из Qwen3-VL-30B-A3B-Instruct модель признаков изображений. Чекпойнт содержит нативно преобразованные веса vision-энкодера с пространственным объединителем и проекцией на ширину исходной языковой модели; дополнительного обучения не проводилось. Размер модели — 445,7 млн параметров, ширина backbone — 1152, ширина проекции — 2048; исходный размер изображения — 768 × 768.

Модель предназначена для получения пространственных признаков и токенов изображений в задачах компьютерного зрения и мультимодальных конвейерах. Она принимает RGB-изображения, поддерживает прямоугольные размеры, а для вариантов с объединителем 2×2 размеры сторон должны делиться на 32; в остальных описанных случаях — на 16. Вход нормализуется со средним и стандартным отклонением 0,5 для каждого канала. Энкодер не содержит весов языковой модели и обученной головы классификации, поэтому сам по себе не генерирует текст и не выдаёт классы.

Модель выпущена под лицензией Apache 2.0. Она формирует признаки для последующей обработки, но не включает проекторы DeepStack из Qwen3-VL; промежуточные карты признаков доступны отдельно. Высокая вычислительная стоимость указана в карточке: 1297,8 GMACs.

Сценарии применения

  • извлечение признаков изображений для мультимодального конвейера
  • получение пространственных токенов изображения для последующей обработки языковой моделью
  • формирование промежуточных карт признаков для компьютерного зрения

Ограничения

Чекпойнт не содержит языковой модели, классификационной головы или проекторов DeepStack, поэтому не предназначен сам по себе для диалога по изображениям или классификации. Вычислительная стоимость составляет 1297,8 GMACs; допустимые размеры сторон изображения должны делиться на 16, а для варианта с объединителем 2×2 — на 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_vl_30b_a3b

A Qwen ViT image feature model extracted from Qwen3-VL-30B-A3B-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_416m_enc.qwen3_vl_30b_a3b', 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, 2048): 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

@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
63f6a52

0 моделей