К содержимому
Компьютерное зрение

TinyForge-Vision-222M

компактная мультимодальная модель для ответа на вопросы по картинкам

2 мин чтенияобновлено

TinyForge-Vision-222M — сверхлёгкая VLM (мультимодальная языковая модель, понимающая изображения) на 222,1 млн параметров от разработчика Juanillaberia. Она объединяет энкодер изображений google/siglip-base-patch16-224 (85,8M) и языковую модель HuggingFaceTB/SmolLM2-135M (134,5M) через проектор с pixel-shuffle (сжатие патчей 2×2 в один токен). Модель создана как исследовательская и учебная репродукция nanoVLM v0.1 и обучена на датасете the Cauldron. Она отвечает на короткие вопросы по картинкам и описывает их содержимое на английском языке, но значительно уступает крупным VLM. Подойдёт разработчикам и студентам, изучающим архитектуру и обучение мультимодальных сетей с нуля.

Ключевые особенности

  • Скромный размер: всего 222,1M параметров (85,8M визуальная часть, 1,8M проектор и 134,5M языковая модель).
  • Сжатие изображения в 49 токенов размерностью 576, которые подаются в языковую модель перед текстовыми токенами (до 79 токенов текста).
  • Обучена без заморозки весов на 1,65 млн примеров из 45 подмножеств датасета the Cauldron в разрешении 224×224.
  • Строгий формат промпта: Question: {question} Answer: строго без пробела после двоеточия, как в коде nanoVLM v0.1.

Что можно сделать

  • Получать краткие ответы на простые визуальные вопросы или развёрнутые описания сцен на английском языке.
  • Использовать чекпоинт и открытый репозиторий проекта как наглядный пример сборки и обучения VLM с нуля.
  • Проводить эксперименты с форматированием промптов и дообучением сверхкомпактных мультимодальных моделей.

Пример

from tfv.models.vlm import VisionLanguageModel

model = VisionLanguageModel.from_pretrained("Juanillaberia/TinyForge-Vision-222M")
Подробнее Метрики: 27,6% ± 1,1 на бенчмарке MMStar (1 500 вопросов с вариантами ответа; против 35,3% у опубликованной nanoVLM-222M — разница связана с отсутствием пробела после Answer: в коде v0.1).
Обучение: 5 эпох (32 330 шагов, batch 256, bf16) заняли 250 минут на одной NVIDIA A100 80 GB в Google Colab; выбран лучший чекпоинт по MMStar (~1,9 эпохи).
Ограничения: только английский язык; сжатие картинок до 224×224 без сохранения пропорций ухудшает чтение мелкого текста, документов, графиков и подсчёт объектов.
Запуск: работает через собственный код репозитория tinyforge-vision, а не стандартную библиотеку transformers.
Обсудить Telegram 0 30

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.8 GB · готовые файлы1.4 GB
  • BF16веса 0.4 GB1.0 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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 · F32 — 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.

    # Juanillaberia/TinyForge-Vision-222M
    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 Juanillaberia/TinyForge-Vision-222M --local-dir ~/models/TinyForge-Vision-222M
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к TinyForge-Vision-222M
  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

google/siglip-base-patch16-224

Новые посты про версии siglip-base-patch16-224 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 9Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

Juanillaberia/TinyForge-Vision-222M
Автор
Juanillaberia
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

amaara-decide-vision

amaara-decide-vision