/ Модель

Характеристики

Контекст
8 192 токена
Архитектура
smolvlm · dense
Базовая модель
SmolVLM2-500M-Video-Instruct
Библиотека
transformers
Опубликована
2 июл 2026

FoodExtract-Vision-SmolVLM2-500M-fine-tune-v1

Изображение и текст → текст3 профессии

Дообученная SmolVLM2-500M анализирует изображения еды и извлекает из них сведения по текстовому запросу.

14скачиваний за 30 дней1лайквеса обновлены6 июл 2026

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

udit74j разработал дообученную мультимодальную модель SmolVLM2-500M для извлечения информации о продуктах питания из изображений. Она принимает изображение и текстовый запрос и формирует текстовый ответ; модель основана на HuggingFaceTB/SmolVLM2-500M-Video-Instruct и дообучена с помощью TRL. В каталоге указаны архитектура SmolVLM, плотная модель, поддержка диалога и формат safetensors.

Модель предназначена для визуального анализа еды и ответов на вопросы по изображениям продуктов или блюд. В README приведён пример для text-generation, однако он не демонстрирует работу модели с изображениями и содержит заглушку в идентификаторе модели, поэтому практические сценарии подтверждаются главным образом названием и назначением базовой модели. Лицензия в предоставленных данных не указана.

Сценарии применения

  • извлечение сведений о блюде по фотографии
  • ответы на вопросы о продуктах на изображении
  • визуальный анализ еды для каталога продуктов

Ограничения

README не приводит оценок качества, обучающих данных или конкретных полей, извлекаемых из изображения. Пример запуска использует заглушку вместо идентификатора модели и не показывает мультимодальный ввод.

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 smolvlm2-500m-FoodExtract-Vision-v1-colab-t4

This model is a fine-tuned version of HuggingFaceTB/SmolVLM2-500M-Video-Instruct. It has been trained using TRL.

Quick start

from transformers import pipeline

question = "If you had a time machine, but could only go to the past or the future once and never return, which would you choose and why?"
generator = pipeline("text-generation", model="None", device="cuda")
output = generator([{"role": "user", "content": question}], max_new_tokens=128, return_full_text=False)[0]
print(output["generated_text"])

Training procedure

This model was trained with SFT.

Framework versions

  • TRL: 1.7.1
  • Transformers: 5.13.0
  • Pytorch: 2.11.0+cu128
  • Datasets: 5.0.0
  • Tokenizers: 0.22.2

Citations

Cite TRL as:

@software{vonwerra2020trl,
  title   = {{TRL: Transformers Reinforcement Learning}},
  author  = {von Werra, Leandro and Belkada, Younes and Tunstall, Lewis and Beeching, Edward and Thrush, Tristan and Lambert, Nathan and Huang, Shengyi and Rasul, Kashif and Gallouédec, Quentin},
  license = {Apache-2.0},
  url     = {https://github.com/huggingface/trl},
  year    = {2020}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SmolVLMForConditionalGeneration
Ревизия весов
debbd89

0 моделей