LLaVA-OneVision-1.5-8B-Instruct
LMMs-Lab · lmms-lab/LLaVA-OneVision-1.5-8B-Instruct
Licença dos pesos: Apache 2.0 · 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
- MMMU (Validation)
- 55,44lmms_eval
- MMMU-Pro (Standard)
- 37,40lmms_eval
- MMMU-Pro (Vision)
- 25,15lmms_eval
- MMBench (English; Test)
- 84,14lmms_eval
- MMBench (Chinese; Test)
- 81,00lmms_eval
- MME-RealWorld (English)
- 62,31lmms_eval
- MME-RealWorld (Chinese)
- 56,11lmms_eval
- AI2D (With Mask)
- 84,16lmms_eval
Todos os resultados informados
- AI2D (Without Mask)
- 94,11lmms_eval
- CV-Bench
- 80,82lmms_eval
- VL-RewardBench
- 45,90lmms_eval
- V
- 78,01lmms_eval
- PixmoCount
- 62,19lmms_eval
- CountBench
- 88,19lmms_eval
- ChartQA
- 86,48lmms_eval
- CharXiv (Direct Questions)
- 74,10lmms_eval
- DocVQA (Test)
- 95,00lmms_eval
- InfoVQA (Test)
- 78,42lmms_eval
- WeMath
- 33,62lmms_eval
- MathVista (Mini)
- 69,57lmms_eval
- MathVision
- 25,56lmms_eval
- MMStar
- 67,72lmms_eval
- SEED-Bench (Image)
- 77,32lmms_eval
- ScienceQA
- 94,98lmms_eval
- SEED-Bench 2-Plus
- 69,21lmms_eval
- OCRBench
- 82,90lmms_eval
- RealWorldQA
- 68,10lmms_eval
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Evaluation Results); coluna “LLaVA-OV-1.5-8B”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Roda em
Cabe na memória rápida 90
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 90
Na memória, fora da parte rápida 26
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 26
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.
LMMs-Lab lançou LLaVA-OneVision-1.5-8B-Instruct em 2025-09-28: um modelo de visão e linguagem que responde sobre imagens, com 8,53B parâmetros pela contagem do Hugging Face e licença Apache 2.0.
Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 6,4 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.
from transformers import AutoTokenizer, AutoProcessor, AutoModelForCausalLM
from qwen_vl_utils import process_vision_info
model_path = "lmms-lab/LLaVA-OneVision-1.5-8B-Instruct"
# default: Load the model on the available device(s)
model = AutoModelForCausalLM.from_pretrained(
model_path, torch_dtype="auto", device_map="auto", trust_remote_code=True
)
# default processer
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
},
{"type": "text", "text": "Describe this image."},
],
}
]
# Preparation for inference
text = processor.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
text=[text],
images=image_inputs,
videos=video_inputs,
padding=True,
return_tensors="pt",
)
inputs = inputs.to("cuda")
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=1024)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- lmms-lab/LLaVA-OneVision-1.5-8B-Instruct
- Tarefa
- image-text-to-text
- Arquitetura
- LLaVAOneVision1_5_ForConditionalGeneration
- Biblioteca na fonte
- transformers
- Licença dos pesos
- Apache 2.0lmms-lab/LLaVA-OneVision-1.5-8B-Instruct model card (Hugging Face) · consultado em 2026-10-18fonte
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
- Lançamento
- LLaVA-OneVision-1.5: Fully Open Framework for Democratized Multimodal Training (arXiv 2509.23661, LMMs-Lab) · consultado em 2026-10-18fonte
Todos os campos guardados
- Revisão conferida
- e137910552d616eb0f7305147ca054311a90c542
- Arquitetura
- LLaVAOneVision1_5_ForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Modelos base declarados
- Qwen/Qwen3-8B-Base · DeepGlint-AI/rice-vit-large-patch14-560
- Formatos
- transformers, safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Parâmetros no Hub
- 8.527.214.624safetensors.total
- Repositório criado
- 2025-09-16criação não é o lançamento do modelo
- Repositório atualizado
- 2026-07-16um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 6.372 · 68só 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: lmms-lab/LLaVA-OneVision-1.5-8B-Instruct model card (Hugging Face)
- Data de lançamento: LLaVA-OneVision-1.5: Fully Open Framework for Democratized Multimodal Training (arXiv 2509.23661, LMMs-Lab)
Fatos curados verificados: 2026-10-18. 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.






























































