Apriel-1.6-15b-Thinker
ServiceNow · ServiceNow-AI/Apriel-1.6-15b-Thinker
Licença dos pesos: MIT · código e componentes podem ter outros termos
Qualidade
Sem score comparável
Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.
Informado pelo publicador
- Average Score
- 53,62
- BFCL v3 only
- 63,50Function Calling
- Tau2 bench Telecom
- 69Function Calling
- Tau2 bench Retail
- 66,67Function Calling
- Tau2 bench Airline
- 58Function Calling
- ComplexFuncBench
- 33,2Function Calling
- Agent IF
- 57,2Instruction Following
- Multi IF
- 83,34Instruction Following
Todos os resultados informados
- Multi-Challenge
- 46,15Instruction Following
- IF Bench
- 69Instruction Following
- AIME 25
- 88Math
- Struct Eval
- 79Coding
- LCB
- 81Coding
- SciCode
- 37Coding
- DeepresearchBench
- 36,47Agentic
- GAIA
- 40Agentic
- Work-Arena L1
- 59,1Agentic
- OS World Small
- 16,70Agentic
- SWE Bench Verified
- 23Agentic
- Terminal Bench
- 14Agentic
- Aider Polyglot
- 37,68Agentic
- MMLU Pro
- 79Knowledge
- Creative writing v3 / EQ Bench
- 59,73Creative Writing
- GPQA Diamond
- 73Others
- HLE
- 10Others
- AA LCR
- 50Long Context
- MMMU (validation)
- 72VLMEvalKit
- MMMU-PRO (10 choice)
- 60,28VLMEvalKit
- MMMU-PRO (Vision Only)
- 52,89VLMEvalKit
- LogicVista
- 58,61VLMEvalKit
- MathVision
- 60,85VLMEvalKit
- MathVista
- 79,90VLMEvalKit
- MathVerse (Vision Dominant)
- 66,75VLMEvalKit
- MathVerse (Text Dominant)
- 79,06VLMEvalKit
- MMStar
- 70,66VLMEvalKit
- CharXiv (descriptive)
- 89,85VLMEvalKit
- CharXiv (reasoning)
- 56,00VLMEvalKit
- AI2D Test
- 86,04VLMEvalKit
- BLINK
- 63,96VLMEvalKit
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Evaluation); coluna “Apriel-1.6-15B-Thinker”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Roda em
Cabe na memória rápida 82
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 82
Na memória, fora da parte rápida 34
Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.
Mostrar todos os 34
Falta um degrau de memória 3
As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.
ServiceNow lançou Apriel-1.6-15b-Thinker em 2025-12-09: um modelo de visão e linguagem que responde sobre imagens, com 14,9B parâmetros pela contagem do Hugging Face e licença MIT.
Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 11,1 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.
Velocidade medida
Nenhuma medição publicada para este checkpoint
Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.
Como rodar
Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.
Biblioteca na fonte: transformers
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install transformers# Tested with transformers==4.48
import re
import requests
import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForImageTextToText
# Load model
model_id = "ServiceNow-AI/Apriel-1.6-15b-Thinker"
model = AutoModelForImageTextToText.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)
# Example 1: Text-only prompt
chat = [
{
"role": "user",
"content": [
{"type": "text", "text": "What is the capital for France?"},
],
}
]
inputs = processor.apply_chat_template(chat, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt")
inputs = {k: v.to(model.device) if isinstance(v, torch.Tensor) else v for k, v in inputs.items()}
inputs.pop("token_type_ids", None)
with torch.no_grad():
output_ids = model.generate(**inputs, max_new_tokens=1024, do_sample=True, temperature=0.6)
generated_ids = output_ids[:, inputs['input_ids'].shape[1]:]
output = processor.decode(generated_ids[0], skip_special_tokens=True)
response = re.findall(r"\[BEGIN FINAL RESPONSE\](.*?)(?:<\|end\|>)", output, re.DOTALL)[0].strip()
print("Text-only Response:", response)
# Example 2: Image understanding
url = "https://picsum.photos/id/237/200/300"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
chat = [
{
"role": "user",
"content": [
{"type": "text", "text": "Which animal is this?"},
{"type": "image"},
],
}
]
prompt = processor.apply_chat_template(chat, add_generation_prompt=True, tokenize=False)
inputs = processor(text=prompt, images=[image], return_tensors="pt").to(model.device)
with torch.no_grad():
output_ids = model.generate(**inputs, max_new_tokens=1024, do_sample=True, temperature=0.6)
generated_ids = output_ids[:, inputs['input_ids'].shape[1]:]
output = processor.decode(generated_ids[0], skip_special_tokens=True)
response = re.findall(r"\[BEGIN FINAL RESPONSE\](.*?)(?:<\|end\|>)", output, re.DOTALL)[0].strip()
print("Image Response:", response)
Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- ServiceNow-AI/Apriel-1.6-15b-Thinker
- Tarefa
- image-text-to-text
- Arquitetura
- LlavaForConditionalGeneration
- Biblioteca na fonte
- transformers
- Licença dos pesos
- MITServiceNow-AI/Apriel-1.6-15b-Thinker model card (Hugging Face front matter: license mit) · consultado em 2026-10-19fonte
- Uso comercial
- Permitido MIT license text (SPDX) · consultado em 2026-10-18texto da licença
- Lançamento
- Apriel-1.6-15b-Thinker: Cost-efficient Frontier Multimodal Performance (Hugging Face blog post by the publisher; JSON-LD datePublished) · consultado em 2026-10-19fonte secundária
Todos os campos guardados
- Revisão conferida
- 5810d5f1723032300131e677450d7f95a15a05e7
- Arquitetura
- LlavaForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Formatos
- transformers, safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Parâmetros no Hub
- 14.863.859.712safetensors.total
- Repositório criado
- 2025-11-28criação não é o lançamento do modelo
- Repositório atualizado
- 2025-12-22um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 1.335 · 308só este repositório · lido em 2026-10-25
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Licença: ServiceNow-AI/Apriel-1.6-15b-Thinker model card (Hugging Face front matter: license mit)
- Data de lançamento: Apriel-1.6-15b-Thinker: Cost-efficient Frontier Multimodal Performance (Hugging Face blog post by the publisher; JSON-LD datePublished) (fonte secundária)
Fatos curados verificados: 2026-10-19. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.






























































