A-Vision — русскоязычная VLM Авито

A-Vision — Visual-Language модель, адаптированная под русский язык и домен Авито. Она понимает изображение и текст вместе: описывает фото, отвечает на вопросы по картинке, сверяет соответствие описания и фото, извлекает бренды/надписи/произвольный текст (OCR).

Зачем и как делали

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.
Адаптация LLM. Заменили токенизатор на русскоязычный; провели freeze→unfreeze LLM-части модели на большом корпусе русскоязычного текста.
Мультимодальное SFT. Дообучили модель на собранном датасете «изображение+вопрос → ответ».
RL-этап. Провели DPO, которое позволило добиться от модели безопасных ответов.
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.

Метрика	Qwen2.5-VL-7B-Instruct	A-Vision
AvitoImageGen_RU	0.7259	0.7668
MMMU_EN	0.543	0.489
MMMU_RU	0.469	0.474
RealWorldQA_EN	0.673	0.693
RealWorldQA_RU	0.647	0.652
OCRBench_EN	878	834
OCRVQA_EN	77.506	74.4098
ChartQA_EN	86.44	86
DocVQA_EN	94.7458	94.9702

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.

Где используем в продукте

📝 Автогенерация описаний карточек по фото
🔍 Ключевые слова для поиска (извлечение признаков с изображений)
🧾 OCR брендов/надписей и их нормализация
⚡ «Подача объявления в один клик» по фото товара
🔧 Внутренние инструменты разметки и модерации

Quickstart

Ниже — минимальный пример инференса VLM (текст+картинка).

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForImageTextToText
from qwen_vl_utils import process_vision_info

model_id = "AvitoTech/a-vision"

# Модель и процессор
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_id)

img = Image.open("assets/hoodie.jpg")  # выберите локально загруженное изображение

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": img,
                "min_pixels": 4 * 28 * 28,
                "max_pixels": 1024 * 28 * 28,
            },
            {
                "type": "text",
                "text": "Опиши изображение."
            }
        ],
    }
]

# Подготовка входа
chat_text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[chat_text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)

inputs = inputs.to("cuda")

# Генерация
generated_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
response = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)