/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
14 июл 2026

MoDA-Qwen3-VL-2B

Генерация текстаТекст → текст

Мультимодальная модель Waybarrios на базе Qwen3-VL-2B-Instruct с адаптером MoDA для диалога и более точного понимания изображений.

18скачиваний за 30 дней0лайковвеса обновлены14 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 «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

MoDA-Qwen3-VL-2B — мультимодальная модель для диалога и понимания изображений, разработанная Waybarrios как официальный чекпойнт проекта MoDA. Она добавляет к Qwen3-VL-2B-Instruct адаптер MoDA, который использует инструкцию для поканальной модуляции визуальных признаков и предназначен для более точного визуального grounding и ответов на вопросы по изображениям. По описанию, адаптер состоит из двух декодерных слоёв cross-attention с 16 головами и содержит 75,6 млн параметров; базовая модель — Qwen/Qwen3-VL-2B-Instruct.

В бенчмарках ScienceQA, RealWorldQA и GQA опубликованы улучшения относительно базовой модели. Модель доступна в формате safetensors, использует Transformers и распространяется по лицензии Apache-2.0. README описывает работу с изображениями; поддержку видео для этого чекпойнта отдельно не подтверждает.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • визуальное рассуждение по инструкциям
  • распознавание объектов и деталей на изображении
  • ответы на научные вопросы с опорой на изображение
  • оценка и описание визуальных сцен

Ограничения

Заявленные результаты относятся к отдельным бенчмаркам; README не приводит полную оценку и не описывает ограничения по качеству или рабочим сценариям. Для загрузки через Transformers требуется trust_remote_code=True.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MoDA — Qwen3-VL-2B

Official checkpoint for "MoDA: Modulation Adapter for Fine-Grained Visual Understanding in Instructional MLLMs" (ICML 2026).

📄 Paper: hf.co/papers/2506.01850 · arXiv:2506.01850 💻 Code: github.com/waybarrios/MoDA 🌐 Project page: waybarrios.com/MoDA

MoDA (Modulation Adapter) is a lightweight module that improves fine-grained visual grounding in Multimodal LLMs through instruction-guided, channel-wise modulation of pre-aligned visual features. A stack of cross-attention layers conditions on the language instruction and produces a soft channel-wise mask (via sigmoid) that is applied multiplicatively (Hadamard product) to the aligned visual features before they reach the LLM:

Ṽ_aligned = V_aligned ⊙ σ(W · F(T, V_aligned))

This checkpoint applies MoDA to Qwen3-VL-2B-Instruct, showing that the gains generalize beyond CLIP-style encoders to modern MLLMs. Other variants: MoDA-LLaVA-MoRE-8B-SigLIP-S2 · MoDA-LLaVA-MoRE-8B-CLIP.

Model details

ArchitectureQwen3-VL-2B + MoDA adapter (2 cross-attention decoder layers, 16 heads — paper config; 75.6M adapter params)
Base modelQwen/Qwen3-VL-2B-Instruct
Training dataLLaVA v1.5 instruction-tuning mix (665K)
Precisionbfloat16

Results

Qwen3-VL-2B-Instruct baseline vs. + MoDA (see the paper for the full evaluation):

BenchmarkBaseline+ MoDA
ScienceQA79.384.2 (+4.9)
RealWorldQA64.768.8 (+4.1)
GQA59.463.2 (+3.8)
MMStar53.955.3
MMBench86.587.4
POPE89.489.8
CV-Bench80.981.0

Usage

Loads directly with 🤗 transformers — the MoDA classes ship inside this repo (trust_remote_code=True):

import torch
from transformers import AutoProcessor, AutoModelForImageTextToText

model_id = "waybarrios/MoDA-Qwen3-VL-2B"
model = AutoModelForImageTextToText.from_pretrained(
    model_id, trust_remote_code=True, dtype=torch.bfloat16, device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

messages = [
    {"role": "user", "content": [
        {"type": "image", "url": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"},
        {"type": "text", "text": "Describe this image."},
    ]},
]
inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt"
).to(model.device)
out = model.generate(**inputs, max_new_tokens=128)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

Training and evaluation code (lmms-eval integration) lives in the qwen3-vl/ directory of the repository.

Evaluation

We evaluate with lmms-eval, which provides standardized implementations of all benchmarks reported in the paper (GQA, ScienceQA, POPE, MMBench, RealWorldQA, and more).

Citation

@inproceedings{barrios2026moda,
  title     = {MoDA: Modulation Adapter for Fine-Grained Visual Understanding in Instructional MLLMs},
  author    = {Barrios, Wayner and Villa, Andr\'es and Leon Alcazar, Juan C. and Jin, SouYoung and Ghanem, Bernard},
  booktitle = {Proceedings of the International Conference on Machine Learning (ICML)},
  year      = {2026}
}

License

Apache-2.0, following the base model Qwen/Qwen3-VL-2B-Instruct.

Acknowledgments

Built on Qwen3-VL by Alibaba. Supported by startup funds from Dartmouth College and by KAUST — Center of Excellence for Generative AI (award 5940).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGenerationWithMoDA
Ревизия весов
f45e0a2

0 моделей