/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Библиотека
transformers
Опубликована
7 июн 2026

Maestro1-9B

Изображение и текст → текст15 профессий

Maestro1-9B — мультимодальная модель для математических и логических рассуждений, программирования и анализа изображений и видео.

55скачиваний за 30 дней16лайковвеса обновлены22 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

Maestro1-9B — плотная мультимодальная модель с 9 млрд параметров от Vection Labs, построенная на архитектуре Qwen3-VL. Она принимает текст и изображения, а также предназначена для анализа видео, и генерирует текстовые ответы. Модель ориентирована на пошаговые рассуждения, математику, программирование и визуальный анализ; заявленное контекстное окно — до 1 млн токенов.

Модель подходит для решения математических задач, генерации и отладки кода, ответов на вопросы по изображениям, документам, диаграммам и коротким видеороликам, а также анализа длинных документов и кодовых баз. Карточка указывает поддержку английского языка. Для запуска рекомендуются Transformers и GPU с 24–80 ГБ памяти при использовании bf16; веса доступны в формате safetensors.

Модель может уверенно выдавать неверные ответы, а сгенерированный код требует проверки. Длинные контексты и видео увеличивают задержку и потребление памяти; аудио не поддерживается. Не предназначена для принятия важных медицинских, юридических или финансовых решений без проверки человеком. Лицензия — Apache-2.0.

Сценарии применения

  • пошаговое решение математических задач
  • генерация, объяснение и отладка кода
  • ответы на вопросы по диаграммам и скриншотам
  • извлечение сведений из документов и графиков
  • анализ коротких видеороликов
  • анализ длинных документов и кодовых баз

Ограничения

Модель может уверенно ошибаться, а математические ответы и сгенерированный код нужно проверять. Длинные контексты и видео повышают задержку и потребление памяти; аудио не поддерживается.

Для каких профессий подходит15

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

Maestro1-9B

A 9B multimodal reasoning model — math, code, and deep thinking that can see.

Vection Labs

Weights · Benchmarks · Quickstart · Limitations


Abstract

Maestro1-9B is a dense, 9-billion-parameter vision-language model built for hard problems: multi-step mathematical proof, competitive-programming-grade code synthesis, and visual reasoning over images and video — within a single model and a single context window of up to 1M tokens.

It is designed for users who care less about chat pleasantries and more about whether the model can actually solve the thing: derive the bound, find the bug, read the diagram, finish the proof. Maestro1-9B pairs an explicit step-by-step reasoning mode with native multimodal perception, so the same chain of thought that solves a math olympiad problem can also reason about a chart, a UI screenshot, or a short clip.

Highlights

  • Reasoning-first. Produces structured, inspectable chains of thought for math, logic, and code.
  • Genuinely multimodal. Images and video are first-class inputs, not bolted-on captioning.
  • Long context. Up to 1M tokens via interleaved multimodal RoPE — whole codebases, long papers, or long videos in a single prompt.
  • Open weights. Apache-2.0, transformers-native, single-file deployment.
  • 9B dense. Runs on a single modern accelerator; no mixture-of-experts routing to manage.

Model overview

Parameters9B (dense)
Modalitiestext, image, video → text
Context windowup to 1,000,000 tokens (interleaved multimodal RoPE)
Precisionbfloat16
Architecturedecoder-only transformer LM + native vision encoder
LicenseApache-2.0
Library🤗 transformers (AutoModelForImageTextToText)

Intended use

Maestro1-9B targets technical assistance and research:

  • Step-by-step math and quantitative reasoning.
  • Code generation, explanation, debugging, and review.
  • Visual question answering and document/diagram/chart understanding.
  • Video understanding over short clips.
  • Long-document and long-context analysis.

It is not intended for high-stakes decisions without human review, nor as a source of truth for medical, legal, or financial advice.

Benchmarks

Reasoning, math & code

BenchmarkSettingMaestro1-9B
GSM8K0-shot CoT, exact match—
MATH-5000-shot CoT, exact match—
AIME 20240-shot, pass@1—
HumanEval0-shot, pass@1—
MBPP3-shot, pass@1—
MMLU0-shot—

Multimodal

BenchmarkSettingMaestro1-9B
MMMU (val)0-shot—
MathVista (testmini)0-shot—
DocVQA (val)0-shot, ANLS—

Quickstart

from transformers import AutoModelForImageTextToText, AutoProcessor
import torch

model_id = "vectionlabs/Maestro1-9B"
proc = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto"
)

messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": "https://example.com/diagram.png"},
        {"type": "text", "text": "Explain what this diagram proves, step by step."},
    ],
}]

text = proc.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
from qwen_vl_utils import process_vision_info
imgs, vids = process_vision_info(messages)
inputs = proc(text=[text], images=imgs, videos=vids, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=1024)
print(proc.batch_decode(out[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0])

Text-only works the same way with a plain {"type": "text", ...} message.

Prompting tips

  • For math/logic, ask the model to reason step by step; it is tuned to externalize its work.
  • For code, specify language, constraints ("no external libraries"), and the exact I/O contract.
  • For vision, put the image/video before the question in the message content.
  • Lower temperature (0.2–0.7) for deterministic reasoning; raise it for brainstorming.

Deployment

  • GPU: a single 24–80 GB GPU in bf16 (device_map="auto").
  • Serving: compatible with standard transformers generation; for high throughput use a vision-capable serving stack.

Limitations & responsible use

  • Maestro1-9B can be confidently wrong. Verify mathematical and factual claims.
  • Generated code may be insecure or incorrect — review before running, never execute untrusted output.
  • Long-context and long-video inputs increase latency and memory substantially.
  • It inherits the biases and failure modes of large web-trained models. Do not use it for surveillance, manipulation, or any use that violates applicable law or the Apache-2.0 terms.
  • No audio modality.

Citation

@misc{vectionlabs2026maestro1,
  title  = {Maestro1-9B: A Multimodal Reasoning Model},
  author = {Vection Labs},
  year   = {2026},
  url    = {https://huggingface.co/vectionlabs/Maestro1-9B}
}

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
56df16a

0 моделей