Qwen3.5-0.8B: компактная vision-language модель

В карточке именно Qwen3.5-0.8B разработчик отдельно пишет, что по масштабу модели разумные сценарии — прототипы, task-specific fine-tuning и исследования. Это важное ограничение: наличие vision encoder делает checkpoint мультимодальным, но не превращает его в надёжный OCR для документов клиента. Полезный тест — десять собственных фотографий товарных этикеток с ручной таблицей полей: название, масса, дата и предупреждение. Попросите модель вернуть только видимые значения и отмечать нечитаемое. Ошибочная уверенная дата хуже честного пропуска. Затем проведите тот же тест на 2B и оцените, стоит ли рост ресурсов разницы в ошибках. Эта редакционная процедура не является опубликованным результатом модели.

HF указывает Apache-2.0 и содержит post-trained веса, в отличие от отдельного Base-репозитория. Официальный пример image-text-to-text демонстрирует входную картинку и текстовый ответ. Число 262 144 в overview обозначает нативную длину контекста, а не проверенную способность безошибочно прочитать сотни страниц или микротекст на фото. Локальные инструкции vLLM создают endpoint владельца установки; это не свидетельство действующего облачного тарифа Alibaba на точный HF ID. Для воспроизводимости зафиксируйте ревизию весов, обработчик изображения, разрешение входа и prompt. Права на исходные фотографии и условия обработки персональных данных остаются вопросами проекта независимо от лицензии весов.