К содержимому
Компьютерное зрение

gpt2.5-v0.5

компактная VLM и агент на базе старого доброго GPT-2

2 мин чтенияобновлено

gpt2.5-v0.5 от автора OpceanAI — это исследовательская мультимодальная модель (VLM, понимающая изображения и текст) объёмом около 0.91B параметров, построенная поверх классической gpt2-large (774M). К языковой основе прикрутили замороженный энкодер картинок SigLIP 2 (so400m), MLP-проектор (14.9M), несшитую LoRA (47.2M) и блок MTP (73.7M) для спекулятивного декодирования (ускорения генерации без потери точности). В отличие от оригинальной GPT-2, эта сборка умеет отвечать на вопросы по одному изображению и вызывать внешние инструменты в строгом агентном формате. Подойдёт исследователям и энтузиастам, которым интересно изучать архитектуру лёгких VLM, работу MTP-драфтеров и поведение малых моделей в ролях агентов.

Ключевые особенности

  • Мультимодальное зрение: связка SigLIP 2 и MLP-проектора позволяет модели анализировать картинку в паре с текстовым запросом.
  • Агентные навыки: модель обучена работать с 40 каноническими инструментами через специальные теги .
  • Ускорение через MTP: 3-слойный блок-драфтер предсказывает сразу несколько токенов вперёд, ускоряя жадную генерацию на коротких промптах.
  • Готовый сервер: в репозитории есть код загрузчика и OpenAI-совместимого сервера с эндпоинтом /v1/chat/completions.

Что можно сделать

  • Изучить спекулятивное декодирование: сравнить скорость и длину принятых токенов в режимах speculative=True и False на CPU и GPU.
  • Протестировать базовое VQA: прогнать простые сцены, распознавание синтетического текста (Procedural OCR) или базовые вопросы по объектам на картинке.
  • Погонять локального мини-агента: подключить модель через встроенный OpenAI-совместимый сервер для тестов вызова функций в её родном шаблоне промптов.

Пример

from transformers import AutoModel, AutoTokenizer
from PIL import Image

model = AutoModel.from_pretrained(".", trust_remote_code=True, vision_dir="siglip2-so400m-patch16-naflex")
tokenizer = AutoTokenizer.from_pretrained(".", trust_remote_code=True)
prompt = model.build_prompt(tokenizer, "What is in this picture?", image=Image.open("photo.jpg"))
out = model.generate(prompt, speculative=True, num_draft=4, max_new_tokens=64, precision="fp32")
print(tokenizer.decode(out.tokens, skip_special_tokens=True), out.mean_accepted_length)
ПодробнееВеса в репозитории хранятся в fp32 (около 3.64 ГБ), энкодер google/siglip2-so400m-patch16-naflex подгружается отдельно.
Бенчмарки: POPE random — 0.850, VQAv2 val — 0.641, Procedural OCR — 0.690; на графиках и документах (ChartQA — 0.145, DocVQA — 0.153) модель слаба.
Ускорение MTP на RTX PRO 6000 достигает 1.51x на тексте и 1.84x на агентных ответах, но работает только на промптах короче ~250 токенов.
Ограничения: окно контекста всего 1024 токена, только 1 картинка на запрос, рабочий язык — английский, статус — строго для исследований (некоммерческие данные в миксе).
Обсудить Telegram 0 7

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 3.4 GB · готовые файлы4.2 GB
  • BF16веса 1.7 GB2.4 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 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.

    # OpceanAI/gpt2.5-v0.5
    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 OpceanAI/gpt2.5-v0.5 --local-dir ~/models/gpt2.5-v0.5
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gpt2.5-v0.5
  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

openai-community/gpt2-large

Новые посты про версии gpt2-large — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 11Все на Hugging Face

О модели

OpceanAI/gpt2.5-v0.5
Автор
OpceanAI
Категория
Компьютерное зрение
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

omr-monophonic

omr-monophonic
Компьютерное зрение

DMA-2B

DMA-2B