Читая HABR, наткнулся на статью про мышление больших моделей и их способности распознавания изображений. И у меня возникла идея небольшого теста одной имеющейся у меня модели LLM, которая умеет распозновать фото, а именно llama4:16x17b НО запущенной полностью локально.
Весит эта модель 67 гигабайт, если интересно на чем она была запущена отвечу в комментариях.
На написание статьи меня подвинул один из комментариев - "а как интересно нейросеть распознает разные типы животных"
Вопрос к модели был абсолютно простым:
Какие существа есть на картинке?
А ответ на удивление быстрым и лаконичным, всего за 30 секунд, покажу его скриншоты.
Для интересующихся, я запускаю модели ollama через open webui. Но иногда натыкаюсь на критику такой связки. Я не против критики, но только когда она конструктивна. Так что готов отвечать на любые вопросы того что я уже изучил в запуске LLM локально, а так же на обоснованную критику моих знаний и действий. )-;
Комментарии (22)
StraNNicK
19.02.2026 20:40Весит эта модель 67 гигабайт, если интересно на чем она была запущена отвечу в комментариях.
Интересно. Подозреваю, что что-то вроде GMKtec EVO-X2 128GB
normal
19.02.2026 20:40любопытно. а кто-нибудь нашел открытую LLM под сканы российских паспортов? ну то что делают многие коммерческие решения. из скана паспорта (который может быть и на боку, и перевернут) -- четко выдать серию, ФИО, место выдачи и т.д
softel Автор
19.02.2026 20:40Присылай фото своего паспорта в любом ракурсе, прогоню его через свою нейронку, вдруг она распознает.
dkeiz
19.02.2026 20:40какой-нибудь qwen 3 8B vl наверняка справится, если объяснить ему что от него хотят.
softel Автор
19.02.2026 20:40краткая характеристика моего сервера:
Процессор Core I9 14900KF
RAM: DDR5 192 Gb.
GPU 2 x RTX4090D 48Gb (96 Гб. VRAM GDDR6X), производительность по меркам huggingface 166 TFLOPS
Bobos
19.02.2026 20:40Рекомендую забить на webui и открыть для себя удивительный мир comfyui. Там с таким железом можно очень неплохо поразвлечься. А заодно и понять, что именно происходит под капотом всех этих генераторов и распозновалок картинок.
vlsnake
19.02.2026 20:40То что реально удивило в последнее время Qwen/Qwen3-Omni-Demo - картинки - это 2025 год а видео - вот тут я сбросил видео записанное при помощи FuncAnimation из matplotlib, и попросил написать код на python генерирующий это видео - честно я удивлен результатом - китайцы молодцы.
Из локального, которое можно еще запустить на компе недавно вышла Qwen/Qwen3.5-397B-A17B - вроде GGUF модели около 96Гб
hubabubabagz
19.02.2026 20:40gemma намного меньше и дает такие же ответы
softel Автор
19.02.2026 20:40Я не проверял, но если вы проверяли, то может поделитесь результатами, если вам не сложно конечно.
hubabubabagz
19.02.2026 20:40
Это 17гб модель, и у нее есть версии на 8 и 3гб.
softel Автор
19.02.2026 20:40Ну неплохо, скачаю, может для чего и пригодится.
hubabubabagz
19.02.2026 20:40qwen еще есть, он позднее всех вышел, должен быть лучше, по цифрам бенчмарков точно лучше
vlsnake
19.02.2026 20:40А скормите вот это https://www.youtube.com/shorts/9b19b7SmovU и попросите на питоне написать код анимации. Даже больше - попробуйте на любой платной модели
evgensenin
19.02.2026 20:40Если вдруг решитесь развивать эту тему в следующих статьях, то могу предложить проработать тему какие максимально маленькие нейронки могут точно распознавать множество деталей на реалистичных фотографиях (семейных к примеру) и с выходом в json формате. (может есть что-то получше yolo)
Terranz
Я чесслово не могу понять, зачем текстовыми моделями распознавать что-то кроме текста?
softel Автор
Например тексты с картинок taobao
ENick
это не текстовая модель: """имеющейся у меня модели LLM, которая умеет распозновать фото """
ENick
"""На написание статьи меня подвинул один из комментариев - "а как интересно нейросеть распознает разные типы животных" """ и куда подвинул? Ответа на вопрос: """как нейросеть распознает разные типы животных""" я не увидел. Что хотел сказать Автор этой публикацией?
softel Автор
Извините, у вас много кавычек в ответе на комментарий, соберитесь и задайте свой вопрос грамотней.
hubabubabagz
Они могут написать подробное текстовое описание - промпт для рисования "такой же" картинки/ Это популярный сценарий у "нейрохудожников". Они целыми днями такой фигней занимаются.