Image-Text-to-Text
Transformers
Safetensors
Russian
English
qwen2_5_vl
avito
multimodal
vlm
vision-language
ocr
conversational
text-generation-inference
Instructions to use AvitoTech/avision with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use AvitoTech/avision with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("image-text-to-text", model="AvitoTech/avision") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"}, {"type": "text", "text": "What animal is on the candy?"} ] }, ] pipe(text=messages)# pip install -U transformers accelerate # Load model directly from transformers import AutoProcessor, AutoModelForMultimodalLM processor = AutoProcessor.from_pretrained("AvitoTech/avision") model = AutoModelForMultimodalLM.from_pretrained("AvitoTech/avision", device_map="auto") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"}, {"type": "text", "text": "What animal is on the candy?"} ] }, ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device) outputs = model.generate(**inputs, max_new_tokens=256) print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:])) - Notebooks
- Google Colab
- Kaggle
- Local Apps Settings
- vLLM
How to use AvitoTech/avision with vLLM:
Install from pip and serve model
# Install vLLM from pip: pip install vllm # Start the vLLM server: vllm serve "AvitoTech/avision" # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "AvitoTech/avision", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Describe this image in one sentence." }, { "type": "image_url", "image_url": { "url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg" } } ] } ] }'Use Docker
docker model run hf.co/AvitoTech/avision
- SGLang
How to use AvitoTech/avision with SGLang:
Install from pip and serve model
# Install SGLang from pip: pip install sglang # Start the SGLang server: python3 -m sglang.launch_server \ --model-path "AvitoTech/avision" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "AvitoTech/avision", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Describe this image in one sentence." }, { "type": "image_url", "image_url": { "url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg" } } ] } ] }'Use Docker images
docker run --gpus all \ --shm-size 32g \ -p 30000:30000 \ -v ~/.cache/huggingface:/root/.cache/huggingface \ --env "HF_TOKEN=<secret>" \ --ipc=host \ lmsysorg/sglang:latest \ python3 -m sglang.launch_server \ --model-path "AvitoTech/avision" \ --host 0.0.0.0 \ --port 30000 # Call the server using curl (OpenAI-compatible API): curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "AvitoTech/avision", "messages": [ { "role": "user", "content": [ { "type": "text", "text": "Describe this image in one sentence." }, { "type": "image_url", "image_url": { "url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg" } } ] } ] }' - Docker Model Runner
How to use AvitoTech/avision with Docker Model Runner:
docker model run hf.co/AvitoTech/avision
Update README.md
Browse files
README.md
CHANGED
|
@@ -25,8 +25,8 @@ A-Vision — Visual-Language модель, адаптированная под
|
|
| 25 |
* **Данные.** Собрали собственный русскоязычный мультимодальный корпус: ~200k изображений объявлений и ≈1M пар «вопрос–ответ», дополненный тщательно локализованными наборами (вместо «сырого» машинного перевода).Также перевели несколько OS-датасетов.
|
| 26 |
* **Адаптация LLM.** Заменили токенизатор на русскоязычный; провели **freeze→unfreeze** LLM-части модели на большом корпусе русскоязычного текста.
|
| 27 |
* **Мультимодальное SFT.** Дообучили модель на собранном датасете «изображение+вопрос → ответ».
|
| 28 |
-
* **RL-этап.** Прове
|
| 29 |
-
* **Результат.** Рост качества на русскоязычных и доменных тестах (Авито-метрика генерации описаний +
|
| 30 |
|
| 31 |
| Метрика | Qwen2.5-VL-7B-Instruct | **A-Vision** |
|
| 32 |
| :--------------- | :--------------------: | :----------: |
|
|
@@ -41,7 +41,7 @@ A-Vision — Visual-Language модель, адаптированная под
|
|
| 41 |
| DocVQA_EN | 94.7458 | **94.9702** |
|
| 42 |
|
| 43 |
|
| 44 |
-
В токенизаторе A-vision плотность токенизации выше, чем у Qwen2.5-VL-7B-Instruct поэтому число токенов в контексте и при генерации стало меньше для одинаковых примеров. Кроме того, размер самой модели сократился до 7.4B при 8.3B у Qwen2.5-VL-7B-Instruct. За счет этого одинаковые русскоязычные примеры адаптированной моделью обрабатываются быстрее в среднем на 50% в сравнении с исходной Qwen2.5-VL-7B-Instruct.
|
| 45 |
|
| 46 |
## Где используем в продукте
|
| 47 |
|
|
@@ -115,7 +115,6 @@ response = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
|
|
| 115 |
print(response)
|
| 116 |
```
|
| 117 |
|
| 118 |
-
> Примечание:
|
| 119 |
> * Для лучшей производительности имеет смысл подбирать `min_pixels/max_pixels`.
|
| 120 |
|
| 121 |
---
|
|
|
|
| 25 |
* **Данные.** Собрали собственный русскоязычный мультимодальный корпус: ~200k изображений объявлений и ≈1M пар «вопрос–ответ», дополненный тщательно локализованными наборами (вместо «сырого» машинного перевода).Также перевели несколько OS-датасетов.
|
| 26 |
* **Адаптация LLM.** Заменили токенизатор на русскоязычный; провели **freeze→unfreeze** LLM-части модели на большом корпусе русскоязычного текста.
|
| 27 |
* **Мультимодальное SFT.** Дообучили модель на собранном датасете «изображение+вопрос → ответ».
|
| 28 |
+
* **RL-этап.** Провели DPO, которое позволило добиться от модели безопасных ответов.
|
| 29 |
+
* **Результат.** Ускорение модели на 50% на русских данных. Рост качества на русскоязычных и доменных тестах (Авито-метрика генерации описаний +6%, MMMU_RU +1%, RealWorldQA_RU +1%) при сохранении универсальных VLM-навыков; небольшая просадка на части англоязычных бенчмарков ожидаема из-за фокуса на русском.
|
| 30 |
|
| 31 |
| Метрика | Qwen2.5-VL-7B-Instruct | **A-Vision** |
|
| 32 |
| :--------------- | :--------------------: | :----------: |
|
|
|
|
| 41 |
| DocVQA_EN | 94.7458 | **94.9702** |
|
| 42 |
|
| 43 |
|
| 44 |
+
В токенизаторе A-vision плотность токенизации выше, чем у Qwen2.5-VL-7B-Instruct, поэтому число токенов в контексте и при генерации стало меньше для одинаковых примеров. Кроме того, размер самой модели сократился до 7.4B, при 8.3B у Qwen2.5-VL-7B-Instruct. За счет этого одинаковые русскоязычные примеры адаптированной моделью обрабатываются быстрее в среднем на 50% в сравнении с исходной Qwen2.5-VL-7B-Instruct.
|
| 45 |
|
| 46 |
## Где используем в продукте
|
| 47 |
|
|
|
|
| 115 |
print(response)
|
| 116 |
```
|
| 117 |
|
|
|
|
| 118 |
> * Для лучшей производительности имеет смысл подбирать `min_pixels/max_pixels`.
|
| 119 |
|
| 120 |
---
|