视觉语言 API
LibreVLM 加载一个生成式视觉语言模型，并把它当作目标检测器来驱动。类别列表是一个提示词，而不是一个固定的 head，模型返回的 Results 和其他任何家族返回的一样。
安装
这一层需要 vlm extra。
pip install 'libreyolo[vlm]'工厂
LibreVLM(model: str = "qwen3-vl-4b", **kwargs) -> LibreVLMModelmodel 是一个别名，不是路径。**kwargs 会传到家族的构造函数，它接受 device、
names（初始词汇表，等价于加载之后调用 set_classes）、prompt（覆盖检测用的
提示词）和 max_new_tokens。未知的别名会抛出 ValueError，并列出每一个别名。
from libreyolo import LibreVLM, SAMPLE_IMAGE model = LibreVLM("lfm2-vl-450m")model.set_classes(["person", "skateboard"]) result = model.predict(SAMPLE_IMAGE)for box, cls in zip(result.boxes.xyxy, result.boxes.cls): print(result.names[int(cls)], box.tolist())from libreyolo import LibreVLM, SAMPLE_IMAGE model = LibreVLM("lfm2-vl-450m")print(model.chat(SAMPLE_IMAGE, "How many people are in this image?"))别名
| 家族 | 别名 | 尺寸 | 权重 |
|---|---|---|---|
| Qwen3-VL | qwen3-vl, qwen3-vl-2b, qwen3-vl-4b, qwen3-vl-8b | 2b, 4b, 8b | Qwen/Qwen3-VL-2B-Instruct, -4B-, -8B- |
| LFM2-VL | lfm2-vl, lfm2-vl-450m, lfm2-vl-1.6b | 450m, 1.6b | LiquidAI/LFM2.5-VL-450M, -1.6B |
| InternVL3 | internvl3, internvl3-1b, internvl3-2b, internvl3-8b | 1b, 2b, 8b | OpenGVLab/InternVL3-1B-hf, -2B-hf, -8B-hf |
| SmolVLM2 | smolvlm2, smolvlm2-2.2b, smolvlm2-500m | 2.2b, 500m | HuggingFaceTB/SmolVLM2-2.2B-Instruct, SmolVLM2-500M-Video-Instruct |
| Florence-2 | florence-2, florence2, florence-2-base, florence-2-large | base, large | florence-community/Florence-2-base, -large |
| Kosmos-2 | kosmos-2, kosmos2 | 224 | microsoft/kosmos-2-patch14-224 |
| LocateAnything | locate-anything, locateanything, locate-anything-3b, locateanything-3b | 3b | nvidia/LocateAnything-3B |
| SenseNova-Vision | sensenova-vision, sensenova-vision-7b, sensenovavision | 7b | LibreYOLO/SenseNovaVision7b |
| LibreMODUS | libremodus, libremodus-14b-a7b, modus, modus-14b-a7b | 14b-a7b | 固定的上游快照 |
默认别名是 qwen3-vl-4b。每个家族默认别名对应的尺寸，就是列表里排在最前面的那
个：qwen3-vl 解析为 4b，lfm2-vl 为 450m，internvl3 为 2b，smolvlm2
为 2.2b，florence-2 为 base。
LibreVLM、LibreLFM2VL、LibreQwen3VL、LibreSmolVLM2、LibreInternVL3、
LibreFlorence2、LibreKosmos2、LibreLocateAnything 和 LibreMODUS
（也可以写成 LibreModus）在包级别导出。
任务
大多数家族只服务 detect。有两个提供得更多：
| 家族 | 支持的任务 |
|---|---|
| LocateAnything | detect, point |
| SenseNova-Vision | detect, segment, panoptic, pose, point, depth, ocr |
因为任务是提示词驱动的，而不是固化进检查点（checkpoint）里的，所以可以在一个已经 加载好的模型上切换：
model.set_task(task: str) -> LibreVLMModel任务会按家族支持的列表做校验，并且在之后的 predict() 和 track() 调用中一直
沿用；模型本身会被返回，所以调用可以链起来。
set_classes
model.set_classes(classes: list[str]) -> LibreVLMModel设定开放词汇。任何词都可以，因为模型是被这些词提示的，而不是被约束到一个固定的
head 上。列表必须非空，并且忽略大小写比较时各项必须唯一。传入一个裸字符串会抛出
TypeError，因为它会被枚举成一堆单字符类别。词汇表是粘性的：加载之后设置一次，
它会一直保留到下一次设置。
chat
model.chat(image, prompt, max_new_tokens=None, color_format="auto") -> str原始的多模态生成：输入图像和提示词，输出解码后的文本，原样返回。这是检测这层便利
封装底下的逃生口，用于自由形式的提问、计数，或者检测封装覆盖不到的输出格式。
max_new_tokens 会回退到家族的 MAX_NEW_TOKENS，在基类上是 1024。解码是贪心的，
带一点轻微的重复惩罚。
置信度
生成式输出没有经过校准的逐框置信度。这个版本给出一个常数占位值，好让 predict、
绘制和 track 正常工作，这也让 conf= 过滤和 mAP 变得含糊，而不是真有意义。这
也是 val() 抛出异常的原因：在占位分数上算 COCO mAP 会产生误导。
预测与跟踪
标准的预测接口在这里同样适用，track() 也能用，所以一个 VLM 检测器可以像其他任何
家族一样接进同一条流水线。有两条类级别的策略和卷积检测器不同：测试时增强被禁用，
因为多尺度增强对一个固定分辨率的生成器毫无意义；批量预测被关闭，因为生成是自回归
的，而且预处理返回的是一份文本加图像的编码，而不是一个可以堆叠的图像张量。
不支持
train()、val() 和 export() 都会抛出 NotImplementedError。微调请在上游做，
然后把得到的权重加载进来。
远程代码
随库发布的每一个家族都通过原生模型类加载，所以 LibreYOLO 默认不会执行第三方仓库的
代码。确实需要它的家族必须显式选择开启，并固定一个快照修订版；LocateAnything 就是
这样的一个，固定在 commit c32291ca5e996f5a7a485845b4f57a233936bba0 上。
LibreMODUS 是检查点结构的一个显式例外：它的别名解析到的是一个装着固定上游文件的
目录，而不是一个 LibreYOLO .pt，并且 LibreYOLO 既不给它加 v1.0 元数据，也不再
分发它。