К содержимому
Компьютерное зрение

Molmo 7B-D

открытая мультимодальная модель от Allen Institute for AI

2 мин чтенияобновлено

Molmo 7B-D — это открытая модель компьютерного зрения и обработки текста (vision-language model), разработанная Allen Institute for AI на базе языковой модели Qwen2-7B и визуального бэкэнда OpenAI CLIP. Модель обучена на тщательно отобранном датасете PixMo из 1 миллиона изображений и текстовых пар. На практике она способна детально описывать картинки, отвечать на вопросы по графиков и документам, демонстрируя производительность между GPT-4V и GPT-4o. Модель отлично подойдет исследователям и разработчикам, которым нужна мощная открытая альтернатива коммерческим мультимодальным системам.

Ключевые особенности

  • Базируется на связке Qwen2-7B и OpenAI CLIP для глубокого понимания визуального контента.
  • Обучена на датасете PixMo, содержащем 1 миллион тщательно отобранных пар картинок и текстов.
  • Показывает результаты на академических бенчмарках и в человеческих оценках на уровне между GPT-4V и GPT-4o.
  • Поддерживает эффективный запуск в экосистеме transformers и совместима с библиотекой vLLM.

Что можно сделать

  • Применить модель для детального анализа изображений, графиков и инфографики в локальных скриптах.
  • Интегрировать модель в пайплайны обработки документов и OCR с визуальным контекстом.
  • Запустить инференс с оптимизацией через bfloat16 или autocast для снижения требований к памяти.
  • Развернуть модель в составе сервисов или чат-ботов, поддерживающих мультимодальные запросы.

Пример

from transformers import AutoModelForCausalLM, AutoProcessor, GenerationConfig
from PIL import Image
import requests

processor = AutoProcessor.from_pretrained(
    'allenai/Molmo-7B-D-0924',
    trust_remote_code=True,
    torch_dtype='auto',
    device_map='auto'
)

model = AutoModelForCausalLM.from_pretrained(
    'allenai/Molmo-7B-D-0924',
    trust_remote_code=True,
    torch_dtype='auto',
    device_map='auto'
)

inputs = processor.process(
    images=[Image.open(requests.get("[https://picsum.photos/id/237/536/354](https://picsum.photos/id/237/536/354)", stream=True).raw)],
    text="Describe this image."
)

inputs = {k: v.to(model.device).unsqueeze(0) for k, v in inputs.items()}

output = model.generate_from_batch(
    inputs,
    GenerationConfig(max_new_tokens=200, stop_strings="<|endoftext|>"),
    tokenizer=processor.tokenizer
)

generated_tokens = output[0,inputs['input_ids'].size(1):]
generated_text = processor.tokenizer.decode(generated_tokens, skip_special_tokens=True)
print(generated_text)
ПодробнееБенчмарки: Средний балл на 11 академических бенчмарках составляет 77.3, рейтинг человеческих предпочтений Elo — 1056.
Ограничения: Модель может испытывать трудности с прозрачными изображениями (рекомендуется добавлять фоновое заполнение).
Детали обучения: Использует веса Qwen2-7B и визуальный бэкэнд OpenAI CLIP, лицензия Apache 2.0.
Обсудить Telegram 0 27

Запустится ли?

Запустится в BF16

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • F32веса 30 GB · готовые файлы33 GB
  • BF16веса 15 GB17 GB
  • FP8 / INT8рекомендуемвеса 7.5 GB8.7 GB
  • 4-bitвеса 4.2 GB5.1 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 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.

    # tanzilidrisi/Molmo-7B-D-0924
    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 tanzilidrisi/Molmo-7B-D-0924 --local-dir ~/models/Molmo-7B-D-0924
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Molmo-7B-D-0924
  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/clip-vit-large-patch14-336

Новые посты про версии clip-vit-large-patch14-336 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 4Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

tanzilidrisi/Molmo-7B-D-0924
Автор
tanzilidrisi
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

270

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Qwen3.5-2B-NoRA

Qwen3.5-2B-NoRA