Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

POINTS-Reader

Tencent · tencent/POINTS-Reader

Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos

Downloads no Hub · 30 dias523Popularidade, não qualidade · lido em 2026-10-25
Memória necessária~4 GBPesos Q4 + margem, antes da reserva da máquina
Parâmetros4,1 BTotal de safetensors no Hub
Repositório atualizado2025-09-12Um commit não é data de lançamento

Qualidade

Sem score comparável

Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.

Informado pelo publicador

A ficha tem 1 tabela de avaliação, mas nenhuma coluna foi associada a este checkpoint ainda (lida em 2026-10-25); nenhum valor é copiado de outra coluna. Isto continua uma lacuna aberta. tabelas na ficha, coluna ainda não associada · lida em 2026-10-25

Roda em

Cabe na memória rápida 118

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 118

Na memória, fora da parte rápida 1

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.

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.

Considere para

Tencent lançou POINTS-Reader em 2025-08-26: um modelo de visão e linguagem que responde sobre imagens, com 4,1B parâmetros pela contagem do Hugging Face e licença Apache 2.0. Idiomas declarados pelo publicador: zh, en.

Confira antes

Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 3,1 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.

Transformers · ficha do modelo · Run with Transformers
from transformers import AutoModelForCausalLM, AutoTokenizer, Qwen2VLImageProcessor
import torch


# We recommend using the following prompt to better performance,
# since it is used throughout the training process.
prompt = (
    'Please extract all the text from the image with the following requirements:
'
    '1. Return tables in HTML format.
'
    '2. Return all other text in Markdown format.'
)
image_path = '/path/to/your/local/image'
model_path = 'tencent/POINTS-Reader'
model = AutoModelForCausalLM.from_pretrained(model_path,
                                             trust_remote_code=True,
                                             torch_dtype=torch.float16,
                                             device_map='cuda')
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
image_processor = Qwen2VLImageProcessor.from_pretrained(model_path)
content = [
            dict(type='image', image=image_path),
            dict(type='text', text=prompt)
          ]
messages = [
        {
            'role': 'user',
            'content': content
        }
    ]
generation_config = {
        'max_new_tokens': 2048,
        'repetition_penalty': 1.05,
        'temperature': 0.7,
        'top_p': 0.8,
        'top_k': 20,
        'do_sample': True
    }
response = model.chat(
    messages,
    tokenizer,
    image_processor,
    generation_config
)
print(response)
SGLang · ficha do modelo · How to Deploy
python3 -m sglang.launch_server \
--model-path tencent/POINTS-Reader \
--tp-size 1 \
--dp-size 1 \
--chat-template points-v15-chat \
--trust-remote-code \
--port 8081

Escolher meu computador

Detalhes técnicos

O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.

Checkpoint / fonte
tencent/POINTS-Reader
Tarefa
image-text-to-text
Arquitetura
POINTSV15ChatModel
Biblioteca na fonte
transformers
Licença dos pesos
Apache 2.0tencent/POINTS-Reader 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
Idiomas
zh, en Declaração do publicador · consultado em 2026-10-18fonte
Lançamento
POINTS-Reader model card News (Hugging Face, Tencent) · consultado em 2026-10-18fonte
Todos os campos guardados11 campos
Revisão conferida
42fbe5b5499fe3e30c275cbb00748eda22391621
Arquitetura
POINTSV15ChatModel
Biblioteca
transformers
Tag de tarefa no Hub
image-text-to-text
Formatos
safetensors
Acesso
Download aberto
Tipo de publicador
Oficial
Repositório criado
2025-08-15criação não é o lançamento do modelo
Repositório atualizado
2025-09-12um commit não é data de lançamento
Downloads no Hub (30 dias) · curtidas
523 · 103só 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.

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.