/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9 МБ
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Thinking
Библиотека
transformers
Опубликована
18 окт 2025

qwen3-vl

Изображение и текст → текст3 профессии

tiny-random/qwen3-vl — отладочная мультимодальная модель для задач image-text-to-text, разработанная на основе конфигурации Qwen/Qwen3-VL-8B-Thinking.

9 708скачиваний за 30 дней1лайквеса обновлены18 окт 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Модель предназначена прежде всего для проверки интеграции, загрузки и выполнения inference в Transformers, а не для решения практических задач компьютерного зрения или генерации текста.

Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она реализует архитектуру Qwen3-VLForConditionalGeneration с визуальным энкодером и языковой моделью, но существенно уменьшена: языковая часть содержит 2 слоя, размер скрытого представления равен 8, а визуальная часть — 6 блоков с размером скрытого представления 128. Веса модели инициализированы случайно, поэтому содержательные ответы, качество, поддерживаемые языки и эффективный размер контекста не гарантируются. Лицензия в README не указана.

Сильная сторона модели — минимальный размер конфигурации, удобный для отладки кода и тестирования совместимости с API Transformers. Ключевое ограничение — случайная инициализация без обученных весов: модель не предназначена для продуктивного использования, надежного понимания изображений или генерации осмысленных ответов.

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

This tiny model is intended for debugging. It is randomly initialized using the configuration adapted from Qwen/Qwen3-VL-8B-Thinking.

Example usage:

import numpy as np
import torch
import transformers
from PIL import Image
from transformers import (
    AutoModel,
    AutoModelForCausalLM,
    AutoProcessor,
    AutoTokenizer,
    Qwen3VLForConditionalGeneration,
)

model_id = "tiny-random/qwen3-vl"
model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="cuda",
    attn_implementation="flash_attention_2",
)
processor = AutoProcessor.from_pretrained(model_id)
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=32)
generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Codes to create this repo:

import json
from pathlib import Path

import accelerate
import torch
from huggingface_hub import file_exists, hf_hub_download
from transformers import (
    AutoConfig,
    AutoModelForCausalLM,
    AutoProcessor,
    GenerationConfig,
    # Qwen3VLMoeForConditionalGeneration,
    Qwen3VLForConditionalGeneration,
    set_seed,
)

source_model_id = "Qwen/Qwen3-VL-8B-Thinking"
save_folder = "/tmp/tiny-random/qwen3-vl"

processor = AutoProcessor.from_pretrained(source_model_id, trust_remote_code=True)
processor.save_pretrained(save_folder)

with open(hf_hub_download(source_model_id, filename='config.json', repo_type='model'), 'r', encoding='utf-8') as f:
    config_json = json.load(f)

config_json['text_config'].update({
    'head_dim': 32,
    'hidden_size': 8,
    'intermediate_size': 64,
    'moe_intermediate_size': 64,
    'num_hidden_layers': 2,
    'num_attention_heads': 8,
    'num_key_value_heads': 4,
})
config_json['text_config']['rope_scaling']['mrope_section'] = [8, 4, 4]
config_json['vision_config'].update(
    {
        'hidden_size': 32 * 4,
        'intermediate_size': 64,
        'num_heads': 4,
        'out_hidden_size': 8,
        'depth': 6,
        'deepstack_visual_indexes': [1, 3, 5],
    }
)
with open(f"{save_folder}/config.json", "w", encoding='utf-8') as f:
    json.dump(config_json, f, indent=2)

config = AutoConfig.from_pretrained(
    save_folder,
    trust_remote_code=True,
)
print(config)
torch.set_default_dtype(torch.bfloat16)
model = Qwen3VLForConditionalGeneration(config)
torch.set_default_dtype(torch.float32)
if file_exists(filename="generation_config.json", repo_id=source_model_id, repo_type='model'):
    model.generation_config = GenerationConfig.from_pretrained(
        source_model_id, trust_remote_code=True,
    )
    model.generation_config.do_sample = True
    print(model.generation_config)
model = model.cpu()
with torch.no_grad():
    for name, p in sorted(model.named_parameters()):
        torch.nn.init.normal_(p, 0, 0.1)
        print(name, p.shape)
model.save_pretrained(save_folder)

Printing the model:

Qwen3VLForConditionalGeneration(
  (model): Qwen3VLModel(
    (visual): Qwen3VLVisionModel(
      (patch_embed): Qwen3VLVisionPatchEmbed(
        (proj): Conv3d(3, 128, kernel_size=(2, 16, 16), stride=(2, 16, 16))
      )
      (pos_embed): Embedding(2304, 128)
      (rotary_pos_emb): Qwen3VLVisionRotaryEmbedding()
      (blocks): ModuleList(
        (0-5): 6 x Qwen3VLVisionBlock(
          (norm1): LayerNorm((128,), eps=1e-06, elementwise_affine=True)
          (norm2): LayerNorm((128,), eps=1e-06, elementwise_affine=True)
          (attn): Qwen3VLVisionAttention(
            (qkv): Linear(in_features=128, out_features=384, bias=True)
            (proj): Linear(in_features=128, out_features=128, bias=True)
          )
          (mlp): Qwen3VLVisionMLP(
            (linear_fc1): Linear(in_features=128, out_features=64, bias=True)
            (linear_fc2): Linear(in_features=64, out_features=128, bias=True)
            (act_fn): PytorchGELUTanh()
          )
        )
      )
      (merger): Qwen3VLVisionPatchMerger(
        (norm): LayerNorm((128,), eps=1e-06, elementwise_affine=True)
        (linear_fc1): Linear(in_features=512, out_features=512, bias=True)
        (act_fn): GELU(approximate='none')
        (linear_fc2): Linear(in_features=512, out_features=8, bias=True)
      )
      (deepstack_merger_list): ModuleList(
        (0-2): 3 x Qwen3VLVisionPatchMerger(
          (norm): LayerNorm((512,), eps=1e-06, elementwise_affine=True)
          (linear_fc1): Linear(in_features=512, out_features=512, bias=True)
          (act_fn): GELU(approximate='none')
          (linear_fc2): Linear(in_features=512, out_features=8, bias=True)
        )
      )
    )
    (language_model): Qwen3VLTextModel(
      (embed_tokens): Embedding(151936, 8)
      (layers): ModuleList(
        (0-1): 2 x Qwen3VLTextDecoderLayer(
          (self_attn): Qwen3VLTextAttention(
            (q_proj): Linear(in_features=8, out_features=256, bias=False)
            (k_proj): Linear(in_features=8, out_features=128, bias=False)
            (v_proj): Linear(in_features=8, out_features=128, bias=False)
            (o_proj): Linear(in_features=256, out_features=8, bias=False)
            (q_norm): Qwen3VLTextRMSNorm((32,), eps=1e-06)
            (k_norm): Qwen3VLTextRMSNorm((32,), eps=1e-06)
          )
          (mlp): Qwen3VLTextMLP(
            (gate_proj): Linear(in_features=8, out_features=64, bias=False)
            (up_proj): Linear(in_features=8, out_features=64, bias=False)
            (down_proj): Linear(in_features=64, out_features=8, bias=False)
            (act_fn): SiLU()
          )
          (input_layernorm): Qwen3VLTextRMSNorm((8,), eps=1e-06)
          (post_attention_layernorm): Qwen3VLTextRMSNorm((8,), eps=1e-06)
        )
      )
      (norm): Qwen3VLTextRMSNorm((8,), eps=1e-06)
      (rotary_emb): Qwen3VLTextRotaryEmbedding()
    )
  )
  (lm_head): Linear(in_features=8, out_features=151936, bias=False)
)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
be61f02

0 моделей