К содержимому
Компьютерное зрение

peshtur

быстрая модель визуального выбора с интегрированным OCR

2 мин чтенияобновлено

Модель peshtur создана на базе Qwen3.5-4B (базовая модель с 4.54 млрд параметров) и решает задачи ответа на вопросы по изображениям с выбором варианта ответа (multiple-choice). Вместо генерации текста токен за токеном модель выдает откалиброванное вероятностное распределение сразу по всем вариантам (от A до Z) за один прямой проход. Система включает в себя встроенный легковесный модуль OCR (PP-OCRv5) для распознавания текста на картинках прямо во время запроса. Разработка пригодится разработчикам и исследователям, которым важна высокая скорость обработки визуальных данных и точность в задачах разметки и анализа интерфейсов или документов.

Ключевые особенности

  • Прямой вывод: Оценка вероятностей вариантов ответа за один forward pass без генерации токенов.
  • Интегрированный OCR: Автоматическое распознавание текста на изображениях с помощью PP-OCRv5 на каждом запросе.
  • Смешанная архитектура: Сочетание слоев полного внимания (SDPA) и рекуррентных слоев Gated DeltaNet.
  • Эффективность: Обучение с использованием LoRA на всех линейных матрицах языковой части.

Что можно сделать

  • Анализ документов и чеков: Применить для извлечения ключевой информации из форм, квитанций и инфографики.
  • Модерация контента: Использовать модель для классификации мемов и проверки изображений на наличие нарушений.
  • Интерфейсные задачи: Обрабатывать скриншоты веб-интерфейсов и отвечать на вопросы о расположении элементов.

Пример

from peshtur 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: 75.44 на полном публичном наборе Decision Index Vision 0.3 (12,210 строк)
Требования к железу: GPU от 16 ГБ VRAM (пиковое потребление около 12.53 ГБ)
Ограничения: R-Bench-M (33.38) и MMMU-Pro vision (41.21) ограничены возможностями базы 4B
Детали обучения: 1 эпоха на 323,264 примерах с дистилляцией от трех учителей 27B
Обсудить Telegram 0 14

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.5 GB · готовые файлы9.8 GB
  • FP8 / INT8рекомендуемвеса 4.2 GB5.2 GB
  • 4-bitвеса 2.4 GB3.1 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 2060 · BF16 — от RTX 3080

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/peshtur
    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/peshtur --local-dir ~/models/peshtur
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к peshtur
  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/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. peshtur

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

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

На сайте

Hugging Face

140

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

JevNavAgent

JevNavAgent
Языковые модели

flexing-v1

flexing-v1
Языковые модели

MemLoop SFT v6

MemLoop SFT v6