К содержимому
Компьютерное зрение

SuperGlance-9B-Stage2

мультимодальная VLM для анализа изображений и дорожных сцен

2 мин чтения

Модель анализирует изображения и отвечает на вопросы по их содержимому: от распознавания текста и графиков до пространственного расположения объектов и ситуаций на дороге. В основе лежит Qwen/Qwen3.5-9B (9.65B параметров), в веса которой вмерджены две последовательные стадии LoRA (адаптеры дообучения). В отличие от базовой модели, эта версия целенаправленно прокачана на множественном выборе, подсчёте объектов и данных автономного вождения, служа стартовой точкой для дальнейшего обучения SuperGlance-9B. Подойдёт разработчикам и исследователям мультимодальных систем, которым важны пространственное восприятие и анализ дорожной обстановки.

Ключевые особенности

  • Двухэтапное обучение: объединяет две стадии адаптации LoRA, влитые напрямую в веса исходной модели без изменения остальных тензоров.
  • Широкий охват визуальных задач: Stage 1 включает 1 158 150 вопросов с множественным выбором на основе датасетов SAT, GQA, TallyQA, ChartQA, AI2D, TextVQA, OpenImages и SpatialSense.
  • Фокус на дорожных сценах: Stage 2 расширена до 1 240 040 вопросов за счёт добавления 124 378 примеров из набора DriveLM-nuScenes.
  • Стандартная совместимость: загружается через библиотеку transformers тем же способом, что и оригинальная Qwen3.5-9B.

Что можно сделать

  • Использовать в прототипах систем анализа дорожных сцен и ассистентов водителя на базе вопросов из DriveLM-nuScenes.
  • Применять для извлечения данных из диаграмм, документов и сцен с большим числом объектов (задачи уровня ChartQA, TextVQA и TallyQA).
  • Взять за основу для дальнейшего дообучения методом SFT или RL (обучение с подкреплением) под собственные визуально-текстовые задачи.

Пример

from transformers import AutoModelForImageTextToText

model = AutoModelForImageTextToText.from_pretrained("pei2333/SuperGlance-9B-Stage2")
ПодробнееАрхитектура и размер: 9.65B параметров, база Qwen/Qwen3.5-9B (Apache-2.0).
Детали мерджа: каждая стадия объединена по формуле W′ = round_bf16(W + 2.0 · B·A).
Обучение: Stage 1 — 500 000 выборок (каждый вопрос в двух порядках вариантов ответа) + 13 текстовых QA-датасетов; Stage 2 — 192 000 выборок.
Ограничения: условия релиза и лицензирования находятся на стадии определения (в данных использован DriveLM-nuScenes под CC BY-NC-SA 4.0).
Обсудить Telegram 0 11

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы20 GB
  • FP8 / INT8рекомендуемвеса 9.0 GB10 GB
  • 4-bitвеса 5.1 GB6.1 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 2080 Ti · BF16 — от RTX 4090

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.

    # pei2333/SuperGlance-9B-Stage2
    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 pei2333/SuperGlance-9B-Stage2 --local-dir ~/models/SuperGlance-9B-Stage2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к SuperGlance-9B-Stage2
  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

pei2333/SuperGlance-9B-Stage1
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. SuperGlance-9B-Stage1
  4. SuperGlance-9B-Stage2

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

pei2333/SuperGlance-9B-Stage2
Автор
pei2333
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

110

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

STELLA-RSI-27b

STELLA-RSI-27b
Языковые модели

Aether-15B

Aether-15B