Мультимодальная нейросеть Zamba2-VL отвечает в 10 раз быстрее трансформеров: веса открыты

Компания Zyphra выложила в открытый доступ Zamba2-VL, семейство из трёх мультимодальных нейросетей, которые понимают картинки и текст одновременно, а отвечают на порядок быстрее привычных моделей того же размера благодаря гибридной архитектуре.

Мультимодальные нейросети, те, что читают и изображение, и текст, обычно строят на плотном Transformer. Каждый новый токен (минимальный фрагмент текста или картинки, который обрабатывает модель) удлиняет очередь, и время ответа растёт квадратично. Одна фотография в высоком разрешении добавляет тысячи токенов, а видеоклип уже десятки тысяч. Zyphra заменила этот языковой «движок» гибридом из слоёв Mamba2 (SSM, модель пространства состояний, обрабатывает последовательность за линейное, а не квадратичное время) и нескольких общих Transformer-блоков. О подробностях впервые рассказал MarkTechPost 12 июня 2025 года.

Три размера, одна схема внутри

• Зрительная часть взята у Qwen2.5-VL Vision Transformer: двумерные позиционные эмбеддинги и нативная поддержка динамического разрешения. Простыми словами, модель не обрезает картинку до квадрата, а принимает её как есть.
• Адаптер между «глазами» и «мозгом» модели представляет собой двухслойный MLP (маленькая нейросеть-переходник). Он переводит визуальные признаки в формат, понятный языковой части.
• Языковая часть построена на гибриде Mamba2 и Transformer. Слои Mamba2 выполняют основную работу за линейное время. Между ними вставлены общие Transformer-блоки с уникальными LoRA-адаптерами (лёгкие настройки, позволяющие каждому блоку вести себя чуть иначе). Такой гибрид сохраняет способность «вспоминать» ранний контекст, которую чистые SSM-модели теряют.
• Обучение проведено на 100 миллиардах токенов из открытых веб-датасетов, смесь визуально-текстовых и чисто текстовых данных. Токенизатор взят от Mistral v0.1.

Конструкция повторяет шаблон LLaVA: зрительный энкодер, адаптер, языковая модель. Отличие ровно одно: языковая модель гибридная, а не чисто трансформерная.

Где модель сильна, а где отстаёт?

Zyphra протестировала Zamba2-VL на 14 бенчмарках. Сравнивали с семействами Molmo2, Qwen3-VL и InternVL3.5.

• Подсчёт объектов оказался козырем: Zamba2-VL-1.2B набрала 62.5 на PixMoCount. Для сравнения: InternVL3.5-1B показала 32.8, PerceptionLM-1B всего 17.7 (данные Zyphra).
• Распознавание документов держится уверенно: модель 2.7B получила 90.9 на DocVQA (бенчмарк для ответов на вопросы по сканам документов).
• Знаниеёмкие задачи (MMMU, MathVista) остаются слабым местом: здесь модели уступают более крупным конкурентам.

Картина неоднородная: считать предметы и читать документы Zamba2-VL умеет отлично, а вот сложные рассуждения на базе знаний пока не её сильная сторона.

Почему ответ приходит быстрее?

На входе из 32 000 токенов Zamba2-VL оказалась впереди всех сравниваемых моделей по соотношению «качество к задержке первого токена». По данным Zyphra, ни одна из Transformer-моделей в сравнении не вышла на ту же точность при похожей латентности: разрыв составил порядок величины.

Причина техническая: у Transformer KV-кэш (буфер ключей и значений) растёт с каждым токеном, и при длинном визуальном входе это превращается в узкое горлышко. Zamba2-VL хранит фиксированное по размеру рекуррентное состояние. Разница ощутимее всего на моделях 1.2B и 2.7B, именно они нацелены на работу прямо на устройстве: телефон, камера, «умная» касса.

Как попробовать?

1. Откройте коллекцию Zyphra Zamba2-VL на Hugging Face. Там лежат все три модели: 1.2B, 2.7B и 7B.
2. Установите форк библиотеки transformers от Zyphra (основан на версии 4.57.1) и зависимости. Понадобится CUDA-видеокарта для оптимизированных ядер Mamba2.
3. Загрузите модель, подайте изображение и текстовый вопрос через класс Zamba2_VLProcessor. Пример кода для однокартиночного запроса опубликован в документации на GitHub.
4. Для задач с многостраничными PDF или видео используйте модель 2.7B или 7B: линейное время обработки даёт выигрыш именно на длинных входах.

Код и команды установки полностью приведены в репозитории Zyphra на GitHub.

Сравнение с доступными в России инструментами

Для авторов из РФ ключевое ограничение: Zamba2-VL обучена на англоязычных и мультиязычных веб-данных, но отдельно про русский язык в документации ничего не сказано. YandexGPT и GigaChat работают с русским «из коробки», однако обе модели закрытые и доступны только через облако.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Если вы используете мультимодальную нейросеть для описания скриншотов, обложек или инфографики, Zamba2-VL 2.7B может стать локальной заменой облачного API. Но проверьте качество на русском тексте в картинке: модель может ошибаться.

Разработчику мобильных и edge-приложений. Модель 1.2B на порядок быстрее по TTFT, чем Transformer-аналоги того же размера. Для задач распознавания документов, инвентаризации полок и подсчёта объектов на камере это практически реальное время без облака.

Предпринимателю в РФ и СНГ. Веса бесплатны, облако не нужно, но потребуется CUDA-видеокарта и инженер, который развернёт инференс (процесс получения ответа от модели). Для пилота по оцифровке накладных или чеков стоит попробовать DocVQA-сценарий на реальных данных.

Частые вопросы

Нужен ли мощный сервер, чтобы запустить Zamba2-VL?

Для модели 1.2B хватит устройства с CUDA-видеокартой: она рассчитана на телефоны и edge-платы. Модель 7B потребует более серьёзного GPU. Без видеокарты с CUDA оптимизированные ядра Mamba2 не дадут заявленной скорости.

Поддерживает ли модель русский язык?

Zyphra не указала русский язык в перечне поддерживаемых. Модель обучена на открытых веб-данных, где русские тексты встречаются, но качество работы с кириллицей не гарантировано. Перед использованием проверяйте на своих примерах.

Чем Zamba2-VL отличается от обычных мультимодальных нейросетей?

Главное отличие в языковой части: вместо стандартного Transformer используется гибрид Mamba2 (линейная модель пространства состояний) и нескольких Transformer-блоков. За счёт этого время до первого токена на длинных входах сокращается примерно в десять раз, при том что точность на задачах документов и подсчёта объектов остаётся конкурентной.