HawkVL-2B — компактная мультимодальная модель серии HawkVL, построенная на языковой модели Qwen2.5-1.5B. Архитектура включает визуальный энкодер Qwen-ViT, проектор на основе двухслойного MLP с pixel unshuffle и языковую часть Qwen2.5-1.5B; модель дообучена на данных LLaVA-OneVision.

Модель предназначена для диалогов по изображениям и генерации текстовых ответов на визуальные запросы. В README приведены результаты оценки на англоязычных и китайских наборах OpenCompass, включая задачи визуальных вопросов и ответов, распознавания текста на изображениях и математики по изображениям. Поддерживается контекст до 32 768 токенов; метаданные указывают английский и китайский языки. Модель распространяется в формате Safetensors под лицензией Apache-2.0.

Модель компактна и рассчитана на эффективную мультимодальную обработку, однако приведённые результаты ограничены набором бенчмарков и сами по себе не гарантируют качество в конкретном сценарии. Входные изображения и язык запросов должны соответствовать возможностям мультимодальной архитектуры; модель может ошибаться при сложном визуальном рассуждении или распознавании текста.