# Mizan v2 4B: персидская модель теперь отвечает на вопросы по изображениям

Источник: https://modelium.tech/zhurnal/mizan-v2-4b-images-persian-local-decisions/

Mizan v2 4B получила обработку изображений: модель выбирает ответ на заранее заданный вопрос по тексту или фото и показывает вероятность вариантов. Авторы выложили исходные веса и отдельные GGUF-файлы для локального запуска, включая модуль для изображений. Это не универсальный чат-бот; работу с собственными камерами и документами нужно проверять отдельно.

Mizan v2 4B: персидская модель теперь отвечает на вопросы по изображениям

Если нужно решить, есть ли человек на фото или превышает ли сумма в чеке заданный порог, Mizan v2 принимает изображение и **заранее сформулированный вопрос**. Она возвращает вероятности допустимых ответов, а не сочиняет свободный текст. Для прежней Mizan такой сценарий по фото не был основной возможностью: 11 октября 2026 года автор опубликовал новые веса v2 и отдельные файлы для локального запуска. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

**Статус на 11 октября:** репозитории доступны без запроса доступа; инструкция ниже описывает возможности из документации автора. Modelium не запускал модель и не воспроизводил её оценки. [s3](#src-s3)

## Что изменилось по сравнению с Mizan 4B?

Mizan — модель для принятия ограниченных решений: пользователь перечисляет возможные ответы, а модель оценивает их вероятности. Вторая версия добавляет анализ изображений к тексту. Авторы показывают вопросы о человеке или транспорте в кадре, количестве людей, сумме и строках чека, состоянии товара. Язык проекта прежде всего персидский; качество на русских вопросах не подтверждено. [s1](#src-s1)

Для локального запуска выложены исходные веса `model.safetensors` и отдельный файл обученной головы принятия решений. В другом официальном репозитории есть два GGUF-варианта — формат файлов для программ на базе llama.cpp: Q4_K_M (около 2,7 ГБ) и Q8_0 (около 4,5 ГБ). Для вопросов по изображениям потребуется отдельный модуль обработки картинки `mmproj` (около 0,37 ГБ); для вопросов только по тексту автор указывает запуск без него. Это **размеры файлов**, а не минимальные требования к оперативной памяти или видеокарте. [s2](#src-s2) [s3](#src-s3)

В базовом репозитории находится текст Apache-2.0; карточка GGUF тоже отмечена Apache-2.0 и ссылается на базовые веса, но отдельного файла лицензии в её дереве нет. Открытые веса и возможность скачать их не означают, что модель уже проверена в вашей задаче. [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

## Что проверить перед использованием?

Автор предлагает llama.cpp версии b11443 или новее и интерфейс `/v1/systemone` для вопросов с несколькими вариантами. Пример простого запроса: «Есть ли человек в кадре?» с ответами «да» и «нет». Ожидаемый **формат** — вероятности вариантов, не описание всей фотографии. Версия b11443 опубликована, но совместимый запуск именно этих весов на вашем компьютере мы не проверяли; не считайте это готовой пошаговой домашней инструкцией. [s1](#src-s1) [s2](#src-s2) [s6](#src-s6)

Не используйте модель для автоматического отказа человеку или идентификации людей по камере. Авторы отдельно предупреждают, что обучающие изображения стилизованы под камеры наблюдения, но не являются настоящей записью CCTV; для поиска местоположения дефекта результат пока ненадёжен. В GGUF-карточке точность вопроса «человек в красной зоне?» указана как 70% всего на 12 изображениях. Это авторская оценка небольшой выборки, а не обещание качества на ваших кадрах. [s1](#src-s1) [s2](#src-s2)

**Осторожно с общими цифрами качества:** основная карточка приводит 82,8% на 3000 персидских текстовых записях, а поставляемый `result.json` — 93,48% на 1687 записях. Без объяснения состава наборов их нельзя считать одним и тем же тестом или прямым улучшением. Так же нельзя напрямую сравнивать оценки полной модели и GGUF на разных изображениях. [s1](#src-s1) [s2](#src-s2) [s5](#src-s5)

Следующий шаг: если у вас текстовые персидские обращения, сначала изучите [предыдущую Mizan 4B](/zhurnal/mizan-4b-persian-local-decisions/), чтобы понять формат решений; если важны изображения, проверяйте v2 на собственных обезличенных примерах с ручной сверкой ответа. [s1](#src-s1)

## Источники

1. [Mizan v2 4B: официальная карточка, ревизия 8ebe4d07](https://huggingface.co/xmanii/Mizan-v2-4B/blob/8ebe4d078a5d57980b5efc8a783a189a6f5ae1d5/README.md) — получено 2026-10-11
2. [Mizan v2 4B GGUF: официальная карточка, ревизия 6ee47584](https://huggingface.co/xmanii/Mizan-v2-4B-GGUF/blob/6ee4758447e233a909a4cdc098ecef2ce7a86438/README.md) — получено 2026-10-11
3. [Hugging Face API: состав файлов и дата релиза Mizan v2](https://huggingface.co/api/models/xmanii/Mizan-v2-4B/revision/8ebe4d078a5d57980b5efc8a783a189a6f5ae1d5) — получено 2026-10-11
4. [Mizan v2 4B: LICENSE Apache 2.0](https://huggingface.co/xmanii/Mizan-v2-4B/blob/8ebe4d078a5d57980b5efc8a783a189a6f5ae1d5/LICENSE) — получено 2026-10-11
5. [Mizan v2 4B: поставляемые результаты result.json](https://huggingface.co/xmanii/Mizan-v2-4B/blob/8ebe4d078a5d57980b5efc8a783a189a6f5ae1d5/result.json) — получено 2026-10-11
6. [ggml-org llama.cpp b11443: официальный выпуск](https://github.com/ggml-org/llama.cpp/releases/tag/b11443) — получено 2026-10-11