К содержимому
Компьютерное зрение

Lucia v1.1-nc

структурированный анализ изображений для Qwen3.5-9B

3 мин чтенияобновлено

Lucia v1.1-nc от автора AbstractPhil — это LoRA (небольшая надстройка над базовой моделью) для мультимодальной Qwen/Qwen3.5-9B. Модель рассматривает изображение и пошагово рассуждает о нём простым языком: сначала выстраивает цепочку наблюдений (объекты, форма, свет, настроение), затем генерирует описание, промпт для генерации, теги и список уточняющих вопросов с ответами. В отличие от первой версии, адаптер обучен со специальным ограничением (KL-дивергенцией), поэтому на обычных запросах он ведёт себя как исходная Qwen3.5-9B и не сваливается в шаблонный разбор. Подойдёт исследователям и разработчикам, которым нужно автоматизировать детальную разметку картинок и сбор датасетов без потери общих навыков VLM.

Ключевые особенности

  • Три глубины анализа: в зависимости от фразы в запросе (a quick look, a closer look или a long look) модель выдаёт от краткой подписи до полного разбора с тегами, промптом и критикой.
  • Проверка фактов в ответах: каждый уточняющий вопрос в конце разбора помечается тегом [record] (видно прямо на фото), [chain] (выведено логически) или [unknown].
  • Сохранение навыков базы: на 465 тестовых обычных запросах модель ни разу не применила формат разбора по ошибке (в v1 такое случалось в 48% ответов).
  • Чистая обучающая выборка: 43 217 примеров на базе датасетов COCO 2017, DOCCI, FFHQ и DeepFashion-MultiModal, размеченных моделями OpenAI, Google и DeepSeek.

Что можно сделать

  • Подготовка датасетов для обучения генераторов: пропускать коллекции фотографий через запрос a closer look или a long look, чтобы сразу получать связные описания, теги и готовые промпты.
  • Автоматическая каталогизация и поиск: извлекать структурированные пары «вопрос — ответ» по атрибутам объектов (цвет, состояние, расположение в кадре) для индексации фотоархивов.
  • Универсальный визуальный ассистент: использовать один загруженный адаптер и для структурированного разбора сцен, и для обычных диалогов по картинкам и тексту.

Пример

from peft import PeftModel
from PIL import Image
from transformers import AutoModelForMultimodalLM, AutoProcessor

processor = AutoProcessor.from_pretrained("AbstractPhil/qwen3.5-9b-think-symbolic-image-nc")
base = AutoModelForMultimodalLM.from_pretrained("Qwen/Qwen3.5-9B", dtype="bfloat16", device_map="cuda")
model = PeftModel.from_pretrained(base, "AbstractPhil/qwen3.5-9b-think-symbolic-image-nc").merge_and_unload().eval()

image = Image.open("picture.jpg").convert("RGB")
prompt = "Look at this picture and think it through in writing, a closer look; then write a caption and a prompt or tags."
messages = [{"role": "user", "content": [{"type": "image", "image": image}, {"type": "text", "text": prompt}]}]
text = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=False, enable_thinking=False)
inputs = processor(text=[text], images=[image], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=800, do_sample=False)
Подробнее Параметры адаптера: LoRA rank 32, alpha 64, 80.2M обучаемых параметров (сохранены в fp32), визуальный энкодер при обучении был заморожен.
Запуск: требует transformers >= 5 и peft >= 0.18; обязательно отключать режим размышлений (enable_thinking=False), использовать greedy decoding (do_sample=False) и не передавать system prompt.
Метрики: 100% соблюдение формата на 60 фото и 40 спецификациях; отклонение от базовой модели на обычных запросах — 0.087 nats/токен (perplexity ratio 1.11).
Лицензия и ограничения: CC BY-NC-SA 4.0 — только для некоммерческих и исследовательских задач, запрещено использовать для распознавания и идентификации людей (для коммерции есть версия Lucia v1.1 под Apache-2.0).
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы21 GB
  • FP8 / INT8рекомендуемвеса 9.3 GB11 GB
  • 4-bitвеса 5.4 GB6.4 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2080 Ti · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью Qwen3.5-9B.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # AbstractPhil/qwen3.5-9b-think-symbolic-image-nc
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Qwen/Qwen3.5-9B --local-dir ~/models/Qwen3.5-9B
    hf download AbstractPhil/qwen3.5-9b-think-symbolic-image-nc --local-dir ~/models/qwen3.5-9b-think-symbolic-image-nc
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-9B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Нужна базовая модель

Qwen/Qwen3.5-9B

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. qwen3.5-9b-think-symbolic-image-nc

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

AbstractPhil/qwen3.5-9b-think-symbolic-image-nc
Автор
AbstractPhil
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии