/ Модель

Характеристики

Контекст
256 токенов
Параметры
18,9 млн
Лицензия
MIT
Архитектура
transformer · dense
Опубликована
8 окт 2026

visual-question-answering

Вопросы по изображениюИзображение, текст → текст

Производная модели srmistbiolab1991/visual-question-answering-study. Исследовательские заметки по визуальным вопросам и ответам с планом оценки на VQAv2, GQA и OK-VQA, без готового обученного чекпойнта.

20скачиваний за 30 дней0лайковвеса обновлены8 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Карточка модели xinyitang/visual-question-answering на Hugging Face совпадает с карточкой srmistbiolab1991/visual-question-answering-study, поэтому описание составлено по ней.

Это исследовательский репозиторий srmistbiolab1991 с заметками о визуальных вопросах и ответах (Visual Question Answering, VQA), а не готовая обученная модель. В карточке Hugging Face указаны архитектура Transformer с 4,7 млн параметров, формат safetensors и контекст 256 токенов, однако README уточняет, что обученного чекпойнта и выпущенного кода нет.

Материалы описывают постановку исследовательских вопросов, возможные смешивающие факторы, план сравнения с базовыми моделями и проверку воспроизводимости. В качестве контекста упомянуты наборы VQAv2, GQA и OK-VQA. Репозиторий не сообщает о завершённых экспериментах или улучшении результатов, поэтому его следует использовать как отправную точку для планирования и проверки исследования, а не для выполнения VQA. Указанная лицензия — MIT.

Сценарии применения

  • изучение постановки задач визуальных вопросов и ответов
  • планирование сравнения VQA-моделей с базовыми методами
  • подготовка воспроизводимой оценки на VQAv2, GQA и OK-VQA

Ограничения

Это набор исследовательских заметок, а не готовая модель: README не заявляет обученный чекпойнт, выпущенный код или завершённые эксперименты. Бенчмарки и оценки в репозитории служат контекстом для планирования, а не свидетельством достигнутых результатов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Notes on Visual Question Answering

Repository summary

A structured set of research notes on Visual Question Answering, with concrete evaluation references and open questions. Plans and hypotheses are kept separate from completed results.

What is covered

  • the scope of the research question and likely confounders
  • a proposed comparison with matched baselines
  • concrete evaluation context such as VQAv2, GQA, and OK-VQA
  • reproducibility checks, failure modes, and open questions
  • topic-relevant references

How to read this repository

Start with review.md for the full note. Sections labeled as plans or hypotheses should not be interpreted as experimental results. If results are added later, they should include dataset versions, commands, seeds, hardware, and raw logs.

Scope and limitations

The note is intentionally exploratory. It does not claim benchmark improvements, completed ablations, released code, or a trained checkpoint. References and proposed datasets provide a starting point for verification rather than evidence that the study has already been run.

Files

  • review.md — primary artifact
  • README.md — this documentation

License

Released under mit. Review the source-data terms separately when this repository is used with external datasets.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура transformer неизвестна transformers в образе рантайма.

Класс архитектуры
CustomResearchModel
Ревизия весов
0e1dca6

0 моделей