К содержимому
Компьютерное зрение

peshgi

быстрый мультимодальный классификатор на базе Qwen3.8-27B

3 мин чтенияобновлено

peshgi от автора plantwaterer — это система для ответов на вопросы с вариантами выбора по изображениям, которая сразу возвращает вероятности для каждого варианта за один проход (forward pass), без медленной посимвольной генерации текста. В основе лежит взвешенное усреднение семи LoRA-адаптеров (небольших надстроек над весами) для языковой части Qwen/Qwen3.8-27B и линейная голова на 26 выходов, работающие в связке с детектором текста PP-OCRv5. Перед отправкой запроса OCR-модель считывает текст с картинки и добавляет его в промпт, а модифицированный механизм внимания в слоях full-attention позволяет всем токенам промпта видеть друг друга. Решение пригодится разработчикам, которым нужна высокая точность и предсказуемость в задачах VQA (визуальных вопросов и ответов), разборе документов, интерфейсов и пространственных сцен.

Ключевые особенности

  • Гибридный пайплайн с OCR: встроенный мобильный PP-OCRv5 (~20 МБ) автоматически извлекает до 60 строк текста с изображения в оригинальном разрешении и подставляет их в промпт перед вопросом.
  • Мгновенный вывод без декодирования: специальная fp32-голова считывает скрытое состояние последнего токена и выдаёт логиты для вариантов от A до Z за один прямой проход в bf16.
  • Усреднение семи LoRA (rank-16): адаптеры обучены на разных наборах визуальных задач — от подсчёта объектов и оценки глубины до чтения инфографики, мемов и уличных сцен.
  • Некаузальное внимание в full-attention слоях: движок переопределяет стандартное внимание через PyTorch SDPA, сохраняя каузальность только в рекуррентных слоях Gated DeltaNet.

Что можно сделать

  • Автоматизировать разбор документов и инфографики: модель набирает 99.59% на InfographicVQA и 98.26% на KIE (CORD + FUNSD), что подходит для классификации чеков, форм и графиков.
  • Тестировать и анализировать веб-интерфейсы: благодаря высокому результату на Mind2Web (95.89%) систему можно использовать для проверки сценариев действий по скриншотам экранов.
  • Решать задачи пространственного понимания: определять взаимное расположение объектов на фото, считать предметы и оценивать их близость к камере в помещениях и на улице.

Пример

from peshgi import Engine

engine = Engine()
response, _ = engine(
    {},
    {"answer": {"type": "choice", "instructions": "Which object is closer to the camera?",
                "criteria": {"A": "the bicycle", "B": "the bench"}}},
    images=["street.jpg"])
print(response["answers"]["answer"])
ПодробнееБенчмарки (Decision Index vision 0.3, 12 210 вопросов): общий индекс 80.21; CV-Bench — 91.22%, BLINK — 87.41%, Winoground — 92.25%, MMMU-Pro vision — 55.43%.
Требования к железу: Linux x86_64, около 60 ГБ VRAM (тестировалось на 1x RTX PRO 6000 96 ГБ и 1x H200) для размещения весов в bf16 (54 ГБ) и моделей OCR.
Ограничения: поддерживает только один вопрос с выбором до 12 вариантов (A–L) за запрос; базовые веса Qwen3.8-27B и PP-OCRv5 скачиваются отдельно при первом запуске; лицензия Apache-2.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.0 GB · готовые файлы3.8 GB
  • FP8 / INT8рекомендуемвеса 1.5 GB2.2 GB
  • 4-bitвеса 0.9 GB1.4 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.

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

Qwen/Qwen3.8-27B

Новые посты про версии Qwen3.8-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

plantwaterer/peshgi
Автор
plantwaterer
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии