/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
llava_next · dense
Библиотека
transformers
Опубликована
9 июн 2025

EuroVLM-1.7B-Preview

Изображение и текст → текст10 профессий

Многоязычная модель зрения и языка для описания изображений, ответов на вопросы по ним и анализа документов и диаграмм.

148скачиваний за 30 дней7лайковвеса обновлены9 июн 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

EuroVLM-1.7B-Preview — мультимодальная модель зрения и языка, разработанная Unbabel совместно с Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh, Aveni, University of Paris-Saclay, University of Amsterdam, Naver Labs и Sorbonne Université при финансировании Европейского союза. Она основана на EuroLLM-1.7B и предназначена для работы с изображениями и текстом: модель описывает изображения, отвечает на вопросы по ним, выполняет инструкции с визуальным контекстом и анализирует документы, диаграммы и графики.

Модель использует архитектуру LLaVA-NeXT с плотным трансформером EuroLLM и визуальным энкодером ViT на основе SigLIP2 SO400M. По карточке, языковая часть содержит 1,7 млрд параметров, а визуальный компонент — около 400 млн; контекст поддерживает до 32 тысяч токенов. Заявлена поддержка 39 языков, включая русский. Модель была настроена на многоязычных наборах для описания изображений, визуальных вопросов и ответов и мультимодальных рассуждений. Лицензия — Apache 2.0.

Это предварительная версия, которая всё ещё разрабатывается. Возможны ошибки и галлюцинации в описаниях изображений, предвзятая интерпретация и нестабильность результатов между языками; карточка рекомендует осторожность при применении в производственной среде.

Сценарии применения

  • создание подписей к изображениям на разных языках
  • ответы на вопросы о содержимом фотографии
  • выполнение инструкций с учётом изображения
  • извлечение и объяснение информации из документов
  • анализ диаграмм и графиков
  • перевод описаний изображений между поддерживаемыми языками

Ограничения

Это предварительная версия, и её качество и стабильность ещё могут меняться. Модель может галлюцинировать о содержимом изображений, неверно интерпретировать сцены и выдавать несогласованные результаты на разных языках.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for EuroVLM-1.7B-Instruct

⚠️ PREVIEW RELEASE: This is a preview version of EuroVLM-1.7B. The model is still under development and may have limitations in performance and stability. Use with caution in production environments.

This is the model card for EuroVLM-1.7B-Preview, a multimodal vision-language model based on long-context version of EuroLLM-1.7B.

  • Developed by: Unbabel, Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh, Aveni, University of Paris-Saclay, University of Amsterdam, Naver Labs, Sorbonne Université.
  • Funded by: European Union.
  • Model type: A 1.7B+400M parameter multilingual multimodal transformer VLM (Vision-Language Model).
  • Language(s) (NLP): Bulgarian, Croatian, Czech, Danish, Dutch, English, Estonian, Finnish, French, German, Greek, Hungarian, Irish, Italian, Latvian, Lithuanian, Maltese, Polish, Portuguese, Romanian, Slovak, Slovenian, Spanish, Swedish, Arabic, Catalan, Chinese, Galician, Hindi, Japanese, Korean, Norwegian, Russian, Turkish, and Ukrainian.
  • Modalities: Text and Vision (images).
  • License: Apache License 2.0.

Model Details

EuroVLM-1.7B is a 1.7B+400M parameter vision-language model that combines the multilingual capabilities of EuroLLM-1.7B with vision encoding components.

EuroVLM-1.7B was (visually) instruction tuned on a combination of multilingual vision-language datasets, including image captioning, visual question answering, and multimodal reasoning tasks across the supported languages.

Model Description

EuroVLM uses a multimodal architecture combining a vision encoder with the EuroLLM language model:

Language Model Component:

  • Based on the standard, dense Transformer architecture from EuroLLM-1.7B
  • Grouped query attention (GQA) with 8 key-value heads for efficient inference
  • Pre-layer normalization with RMSNorm for training stability
  • SwiGLU activation function for optimal downstream performance
  • Rotary positional embeddings (RoPE) in every layer
  • Extended context size supporting up to 32K tokens

Vision Component:

  • Vision Transformer (ViT) encoder, based on google/siglip2-so400m-patch14-384
  • Multimodal projector mapping vision representations to token embeddings
  • Support for high-resolution image inputs

Run the model

To use the model with HuggingFace's Transformers library

from PIL import Image
from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
    
model_id = "utter-project/EuroVLM-1.7B-Preview"
processor = LlavaNextProcessor.from_pretrained(model_id)
model = LlavaNextForConditionalGeneration.from_pretrained(model_id)

# Load an image
image = Image.open("/path/to/image.jpg")
    
messages = [
    {
        "role": "system",
        "content": "You are EuroVLM --- a multimodal AI assistant specialized in European languages that provides safe, educational and helpful answers about images and text.",
    },
    {
        "role": "user", 
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What do you see in this image? Please describe it in Portuguese."}
        ]
    },
]

prompt = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(images=image, text=prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=1024)
print(processor.decode(outputs[0], skip_special_tokens=True))

You can also run EuroVLM with vLLM!

from vllm import LLM, SamplingParams

# Initialize the model
model_id = "utter-project/EuroVLM-1.7B-Preview"
llm = LLM(model=model_id)

# Set up sampling parameters
sampling_params = SamplingParams(temperature=0.7, max_tokens=1024)

# Image and prompt
image_url = "/url/of/image.jpg"

messages = [
    {
        "role": "system",
        "content": "You are EuroVLM --- a multimodal AI assistant specialized in European languages that provides safe, educational and helpful answers about images and text.",
    },
    {
        "role": "user", 
        "content": [
            {"type": "image_url", "image_url": {"url": image_url}},
            {"type": "text", "text": "What do you see in this image? Please describe it in Portuguese in one sentence."}
        ]
    },
]

# Generate response
outputs = llm.chat(messages, sampling_params=sampling_params)
print(outputs[0].outputs[0].text)

Capabilities

EuroVLM-1.7B-Instruct supports a wide range of vision-language tasks across multiple languages:

  • Multilingual Image Captioning: Generate detailed descriptions of images in any of the supported languages
  • Visual Question Answering: Answer questions about image content in multilingual contexts
  • Visual Instruction Following: Execute complex instructions that involve both visual analysis and text generation
  • Multimodal Translation: Translate image captions and descriptions between supported languages
  • Document Understanding: Process and analyze documents, charts, and diagrams with multilingual text

Bias, Risks, and Limitations

EuroVLM-1.7B has not been fully aligned to human preferences, so the model may generate problematic outputs in both text and image understanding contexts (e.g., hallucinations about image content, harmful content, biased interpretations, or false statements about visual information).

Additional considerations for multimodal models include:

  • Potential biases in visual interpretation across different cultural contexts
  • Limitations in understanding complex visual scenes or unusual image compositions
  • Possible inconsistencies between visual understanding and textual generation across languages
  • Privacy considerations when processing images that may contain personal information

Users should exercise caution and implement appropriate safety measures when deploying this model in production environments.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaNextForConditionalGeneration
Ревизия весов
8909c4f

0 моделей