/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
27,8 ГБ
Архитектура
llama · dense
Базовая модель
vicuna-13b-v1.5
Библиотека
transformers
Опубликована
7 окт 2026

vicuna_dinov2_patch

Генерация текстаТекст → текст

Экспериментальная мультимодальная модель на базе Vicuna-13B-v1.5 для ответов на вопросы об изображениях с маршрутизацией слоёв MoL.

24скачиваний за 30 дней0лайковвеса обновлены7 окт 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

vicunadinov2patch — модель для визуальных вопросов и ответов, построенная на Vicuna-13B-v1.5 с маршрутизацией слоёв Mixture of Layers (MoL). В экспериментальной конфигурации используется маршрутизация patch_layer с k=2 и компонентом dinov2_txt; архитектура относится к семейству Llama и содержит около 12,9 млрд параметров. Контекст составляет 4096 токенов.

Модель предназначена для исследований визуального вопросно-ответного взаимодействия и маршрутизации слоёв. Она принимает изображение и текстовый вопрос и генерирует текстовый ответ. Для запуска требуется специальная реализация MoL, а также внешние зависимости для визуального энкодера и базовой языковой модели; стандартной загрузки через AutoModelForCausalLM недостаточно. Пакет сохраняет веса чекпойнта без переобучения и изменения значений тензоров; полный инференс при подготовке релиза не выполнялся, а приведённые в архивных материалах оценки не воспроизводились заново. Разработчик упаковки не назначил новую лицензию: применяются условия upstream-моделей, включая Vicuna-13B-v1.5.

Сценарии применения

  • ответы на вопросы по изображениям
  • исследование визуального вопросно-ответного взаимодействия
  • эксперименты с маршрутизацией слоёв языковой модели

Ограничения

Для инференса нужны специальная реализация MoL и внешние зависимости визуального энкодера и базовой языковой модели; стандартный загрузчик Transformers не подходит. Полный инференс не проверялся при упаковке, а архивные оценки не были воспроизведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vicuna_dinov2_patch

Mixture of Layers (MoL): patch_layer routing with k=2 and dinov2_txt.

This release preserves the selected checkpoint weights without merging, retraining, quantizing, or changing their tensor values. See inference_config.json for the routing settings, base model, and conversation template.

Contents and loading

This contains the full sharded language-model checkpoint, MoL weights, and tokenizer. The vision/text encoder dependencies are constructed by MoL.

Use the custom MoL model implementation from https://github.com/SStoica12/MoL. These files are in the repository's original checkpoint format; generic AutoModelForCausalLM or PEFT-only loading is insufficient for multimodal routing. Download the repository snapshot to a local directory before using the MoL loader. Model source version at packaging: 398a93bd9e77a67cdd786d6d1ef9451b59ac8845 on layerwise_coeff; the release manifest identifies this as a working checkout, not a tested standalone Hub model. For Phi, the runtime must support the Phi model class as well as the SigLIP router.

Associated evaluation scripts live under scripts/v1_5/eval in the MoL checkout: vstar.sh, mmstar.sh, hrbench8k.sh, hrbench4k.sh, realworldqa.sh, naturalbench.sh, and charxiv.sh. Select this local package explicitly rather than relying on the scripts' historical default checkpoint arrays. Use the adapter base model and routing settings recorded in inference_config.json.

Evaluation and provenance

Original experiment directory: llava-v1.5-13b-moe-finetune_2e-4_text-cond-attn-token-router_learnable-gate_dino_patch_layer_corrected_k=2. evaluation_evidence.json contains the recovered scores for this selected run. Some evidence is archival; these are not newly reproduced scores. A paper row may combine multiple checkpoints, so it must not be used as this model's scorecard.

source_config.json preserves the original configuration; release_manifest.json records the source, metadata-only configuration additions and file hashes. Training logs, optimizer states, and intermediate checkpoint directories are omitted. SHA256 copy verification and safetensors structure/index checks were performed; full model inference was not run as part of packaging.

Usage and dependencies

Intended for research on visual question answering and layer routing. Vision encoders and, for adapters, the base language model are external dependencies. The release does not grant new rights to the upstream models; consult their model cards and applicable terms. No new license is assigned by this packaging step.

Model card format: https://huggingface.co/docs/hub/model-cards

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
RouterLlavaLlamaForCausalLM
Ревизия весов
8cb6b8b

0 моделей