/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
30 июл 2026

PosterCopilot

Изображение и текст → текст3 профессии

Мультимодальная модель для построения JSON-макета постера с координатами и порядком слоёв по изображениям элементов и размеру холста.

150скачиваний за 30 дней3лайкавеса обновлены30 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

PosterCopilot-7B — мультимодальная модель для автоматического построения макетов постеров, разработанная на основе Qwen/Qwen2.5-VL-7B-Instruct и дообученная для задач графического дизайна. Она принимает от 2 до 25 изображений слоёв, размер холста и необязательное текстовое описание требований, а возвращает JSON с координатами рамок и порядком наложения каждого слоя.

Модель использует визуально-языковую архитектуру Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов. Для работы с изображениями требуется специальная предобработка: слои размещаются на контрастном фоне, масштабируются до размеров, кратных 28 пикселям, и дополняются серыми полями; авторы рекомендуют использовать эталонную реализацию. Модель требует около 20 ГБ свободной видеопамяти при работе в bfloat16. Из-за поразрядной генерации координат одна ошибка в цифре может повлиять на оставшуюся раскладку, поэтому результаты следует оценивать на наборе примеров. Лицензия — Apache 2.0.

Сценарии применения

  • автоматическая расстановка элементов на постере
  • генерация координат и размеров блоков макета
  • определение порядка наложения слоёв в графическом дизайне
  • создание вариантов постера по краткому текстовому заданию

Ограничения

Требуется специальная предобработка изображений слоёв и около 20 ГБ свободной видеопамяти для bfloat16. Ошибка в генерируемой цифре координат может повлиять на дальнейшую раскладку; авторы рекомендуют оценивать результаты на наборе примеров.

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

PosterCopilot-7B

Layout reasoning for professional graphic design. Give the model a set of layer assets and a canvas size; it returns the poster layout as JSON — a bounding box and stacking order for every layer.

Accepted to ECCV 2026.

📄 Paper · 🌐 Project Page · 💻 Code · ▶️ Video

Model details

Base modelQwen/Qwen2.5-VL-7B-Instruct
Parameters7B (bfloat16, ~15.5 GiB)
Input2–25 RGB layer assets + target canvas size + optional design brief
OutputOne JSON object: canvas_size + per-layer x, y, w, h, order, category
TrainingPerturbed SFT → RL for visual-reality alignment → RL from aesthetic feedback

Usage

This checkpoint expects a specific image preprocessing pipeline — each layer is flattened onto an auto-selected contrasting background, scaled to a 28-pixel aligned canvas, and letterboxed with grey. Use the reference implementation rather than feeding raw images:

git clone https://github.com/JiazheWei/PosterCopilot.git
cd PosterCopilot
conda env create -f environment.yml && conda activate postercopilot

python infer.py --model <path-to-this-checkpoint> \
    --assets ./my_layers --width 1200 --height 1600 -o layout.json

python render.py --layout layout.json --assets ./my_layers -o poster.png

The repository also contains the renderer that composites the predicted layout and the original layers into the finished poster (PNG or editable PSD).

Prompt format

The model was trained with a fixed system prompt and this user turn:

Please process the following {N} RGB PNG layer assets and compose a single,
aesthetically pleasing poster. The canvas size is {W} x {H} (width x height).

optionally followed by Structure Requirements: {brief}. Both strings live in postercopilot/prompts.py in the code repository; paraphrasing them moves the input off the training distribution.

Notes

  • Decoding is greedy with repetition_penalty=1.05. Coordinates are emitted digit by digit, so a single flipped digit re-rolls the rest of the layout — expect different-but-comparable results across GPUs, dtypes and attention kernels. Evaluate over a set of samples rather than one generation.
  • Requires ~20 GB of free VRAM in bfloat16.
  • transformers>=4.55 — the config uses the nested text_config schema that older releases predate.

Citation

@article{wei2025postercopilot,
  title={PosterCopilot: Toward Layout Reasoning and Controllable Editing for Professional Graphic Design},
  author={Wei, Jiazhe and Li, Ken and Lao, Tianyu and Wang, Haofan and Wang, Liang and Shan, Caifeng and Si, Chenyang},
  journal={arXiv preprint arXiv:2512.04082},
  year={2025}
}

License

Apache 2.0, inherited from the Qwen2.5-VL-7B-Instruct base model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
91cb724

0 моделей