К содержимому
Другое

qwen35_image_captioning_adapter

компактный адаптер для описания изображений

2 мин чтенияобновлено

PEFT-адаптер (надстройка для дообучения без изменения весов всей нейросети) от автора codeShare, предназначенный для быстрого составления кратких описаний картинок на естественном английском языке. Модель основана на Qwen3.5-4B-Uncensored-HauhauCS-Aggressive и обучена на 2 000 изображениях из базы Sankaku Complex. В отличие от базовой модели, которая часто добавляет лишние вступления и воду, адаптер научили сразу выдавать сжатый и прямой текст. Инструмент пригодится тем, кто собирает датасеты для обучения генераторов картинок и хочет автоматизировать разметку на видеокартах среднего уровня.

Ключевые особенности

  • Без лишней воды: адаптер переучен на сжатых пересказах ответов самой Qwen 3.5, поэтому убирает длинные вступления и сразу описывает суть изображения.
  • База без цензуры: в основе лежит uncensored-версия Qwen 3.5 на 4 миллиарда параметров, что позволяет описывать контент из базы Sankaku без отказов.
  • Высокая скорость работы: на видеокарте NVIDIA T4 (16 ГБ VRAM) модель обрабатывает батч примерно из 40 картинок со средней скоростью 6–7 секунд на изображение.
  • Фокус на формате, а не на новых знаниях: обучение не добавляет модели нового визуального понимания, а лишь оптимизирует стиль её существующих ответов под задачи разметки.

Что можно сделать

  • Автоматическая подготовка датасетов: быстро подписать тысячи картинок на английском языке для последующего обучения моделей генерации изображений или VLM (визуально-языковых моделей).
  • Разметка «на лету» при обучении LoRA: использовать адаптер в пайплайне для динамического создания пар «картинка — описание» прямо во время тренировочной сессии LoRA (небольших надстроек над генераторами изображений), например для семейства MOSS Image.
  • Быстрое тестирование в облаке: запустить готовый ноутбук qwen35_sankaku_captioning.ipynb из репозитория в Google Colab и проверить качество описаний на своих изображениях.

Пример

Готовый код для инференса в карточке не приведён, но автор приложил интерактивный блокнот qwen35_sankaku_captioning.ipynb для Google Colab. Сценарий использования из документации выглядит так: скрипт загружает подходящие изображения из базы Sankaku, адаптер генерирует для них лаконичные описания на естественном языке, а полученные пары сразу передаются для обучения новой LoRA на GPU с 16 ГБ видеопамяти.

ПодробнееОбучение: 7 000 шагов на 2 × NVIDIA T4 (Kaggle) в течение ~12 часов (3–4 повтора на каждое описание из выборки в 2 000 картинок).
Железо: протестировано на NVIDIA T4 с 16 ГБ VRAM (батч ~40 изображений, ~6–7 сек на картинку).
Ограничения: из-за сжатия обучающих текстов описаниям может не хватать мелких деталей; автор планирует вручную расширить датасет и выпустить обновление после 20 ноября 2026 года.
Обсудить Telegram 1 96

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.7 GB · готовые файлы10 GB
  • FP8 / INT8рекомендуемвеса 4.5 GB5.5 GB
  • 4-bitвеса 2.7 GB3.4 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 2060 · BF16 — от RTX 2080 Ti

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

Это LoRA: вместе с базовой моделью Qwen3.5-4B-Uncensored-HauhauCS-Aggressive-Safetensor-Benchmark.

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.

    # codeShare/qwen35_image_captioning_adapter
    # ===== 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 DreamFast/Qwen3.5-4B-Uncensored-HauhauCS-Aggressive-Safetensor-Benchmark --local-dir ~/models/Qwen3.5-4B-Uncensored-HauhauCS-Aggressive-Safetensor-Benchmark
    hf download codeShare/qwen35_image_captioning_adapter --local-dir ~/models/qwen35_image_captioning_adapter
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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

DreamFast/Qwen3.5-4B-Uncensored-HauhauCS-Aggressive-Safetensor-Benchmark

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

  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. Qwen3.5-4B-Uncensored-HauhauCS-Aggressive-Safetensor-Benchmark
  4. qwen35_image_captioning_adapter

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

codeShare/qwen35_image_captioning_adapter
Автор
codeShare
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

961

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии