К содержимому
Другое

Inkling-2-Small-Vision

отдельный визуальный энкодер от Inkling 2 Small

2 мин чтенияобновлено

В этот репозиторий упакованы визуальная башня (vision Tower — кодировщик изображений) и проектор из мультимодальной модели Inkling 2 Small от Thinking Machines. На входе модель принимает картинку, прогоняет её через 23 трансформерных блока, сжимает токены и на выходе выдаёт готовые визуальные эмбеддинги размерности 4608, согласованные с языковой частью. В основе лежит архитектура PE-Lang L от Meta (vit_pe_lang_large_patch14_448 в библиотеке timm), дообученная вместе с языковой моделью, а сама сборка весит около 0.29B параметров. От полноценной VLM этот релиз отличается тем, что визуальный модуль вынесен отдельно без текстовой части, но с полным сохранением исходных весов в формате BF16 и проверкой точного совпадения тензоров с оригиналом. Инструмент пригодится разработчикам мультимодальных систем, которым нужен самостоятельный vision-бэкбон или референс под vLLM.

Ключевые особенности

  • База от Meta и Thinking Machines: визуальная башня инициализирована из vit_pe_lang_large_patch14_448_timm и дообучена в составе Inkling 2 Small.
  • Сжатие токенов без лишних весов: пространственная группировка патчей 2x2 объединяет 1024 токена шириной 1024 в 256 токенов шириной 4096 без обучаемых параметров.
  • Готовый проектор в комплекте: двухслойный MLP (Linear(4096, 4096) → GELU → Linear(4096, 4608)) сразу переводит признаки в скрытое пространство LLM.
  • Побитовая сверка с оригиналом: каждый тензор проверен через torch.equal, а проход данных сверен с эталонной реализацией в vLLM.

Что можно сделать

  • Извлекать визуальные признаки: использовать модель в пайплайнах image-feature-extraction для получения плотных эмбеддингов изображений размером 640×640 пикселей.
  • Собирать кастомные VLM: подключить готовый vision Tower и проектор к совместимой языковой модели или использовать как основу для мультимодальных экспериментов.
  • Тестировать и отлаживать инференс: применять модуль и приложенный скрипт inkling2_vision.py для проверки совместимости визуального энкодера при переносе в движки вроде vLLM.

Пример

В репозитории лежит готовый загрузчик inkling2_vision.py (на базе timm) и сценарий examples/inference.py для извлечения признаков. При подаче изображения в нативном разрешении 640×640 px сетка патчей 32×32 (размер патча 20) сначала превращается в 1024 токена шириной 1024, после группировки 2×2 сжимается до 256 токенов шириной 4096, а проектор на выходе отдаёт 256 визуальных токенов шириной 4608.

ПодробнееПараметры: 0.29B (420 тензоров в model.safetensors и 2 тензора в projector.safetensors, формат BF16)
Архитектура Tower: 23 блока, hidden size 1024, 16 голов внимания, patch size 20, 2D RoPE, exact GELU, LayerScale
Нативное разрешение: 640 px (сетка патчей 32 × 32), выход проектора — 256 × 4608
Лицензия: Apache-2.0
Обсудить Telegram 0 7

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.5 GB · готовые файлы1.1 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.2 GB0.7 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 2060

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

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.

    # immanuelpeter/Inkling-2-Small-Vision
    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 immanuelpeter/Inkling-2-Small-Vision --local-dir ~/models/Inkling-2-Small-Vision
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Inkling-2-Small-Vision
  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

Дообучение модели

thinkingmachines/Inkling-2-Small

Новые посты про версии Inkling-2-Small — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 9Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face

О модели

immanuelpeter/Inkling-2-Small-Vision
Автор
immanuelpeter
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

70

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

amaara-decide-vision

amaara-decide-vision
Компьютерное зрение

TinyForge-Vision-222M

TinyForge-Vision-222M