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.









Комментарии