Instructions to use Dibachain/Diba-Vision with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Dibachain/Diba-Vision with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("image-text-to-text", model="Dibachain/Diba-Vision", trust_remote_code=True)
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
pipe(text=messages)

# Load model directly
from transformers import AutoModelForImageTextToText
model = AutoModelForImageTextToText.from_pretrained("Dibachain/Diba-Vision", trust_remote_code=True, device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Dibachain/Diba-Vision with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Dibachain/Diba-Vision"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Dibachain/Diba-Vision",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker

docker model run hf.co/Dibachain/Diba-Vision

SGLang

How to use Dibachain/Diba-Vision with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "Dibachain/Diba-Vision" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Dibachain/Diba-Vision",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "Dibachain/Diba-Vision" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Dibachain/Diba-Vision",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Docker Model Runner
How to use Dibachain/Diba-Vision with Docker Model Runner:
```
docker model run hf.co/Dibachain/Diba-Vision
```

Diba-Vision · دیبا-ویژن

A Persian-first vision-language model by Dibachain مدل بینایی-زبانی فارسی‌محور، ساخته‌ی دیباچین

🌐 dibachain.ir · 🤖 Agent · Chat demo (GPU) · Diba-Base · Diba-Embed

English

Diba-Vision sees images and answers in Persian and English. It joins the vision understanding of a strong multimodal encoder with the Persian language ability of the Diba family, so it can look at a picture, a document, or a screenshot and talk about it fluently in Persian — where most open vision models are weak.

What it can do

Describe images in natural Persian or English.
Read text in images — Persian and English signs, documents, forms, and handwriting‑style print (OCR‑like understanding).
Analyze screenshots — UI screens, charts, tables, and screenshots of code.
Answer questions about a picture — "what is happening here?", "what does this sign say?", "what is wrong with this UI?".
Reason across image + text in a single conversation.

Inputs and outputs

Input: one or more images together with a text prompt (multi‑turn chat supported).
Output: text, in the language of your question.

Specifications


Type	Vision‑language model (image + text → text)
Parameters	~4B
Languages	Persian‑first, plus English
License	Apache 2.0

Quick start

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

model = AutoModelForImageTextToText.from_pretrained(
    "Dibachain/Diba-Vision", trust_remote_code=True, dtype=torch.bfloat16, device_map="auto")
processor = AutoProcessor.from_pretrained("Dibachain/Diba-Vision", trust_remote_code=True)

messages = [{"role": "user", "content": [
    {"type": "image", "image": "path/or/url/to/image.jpg"},
    {"type": "text", "text": "این تصویر را به فارسی توضیح بده."},
]}]

inputs = processor.apply_chat_template(messages, add_generation_prompt=True,
    tokenize=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

Diba-Vision ships with the Diba model definition, so pass trust_remote_code=True when loading.

Intended use and limitations

Diba-Vision is for understanding images and answering about them, not for generating images. Quality is strongest on everyday photos, documents, and screens; very small text, low‑quality scans, or highly specialized diagrams may be misread. It reflects biases present in its training data. For text‑only chat and code use Diba-Base; for semantic search use Diba-Embed.

فارسی

دیبا-ویژن عکس را می‌بیند و به فارسی و انگلیسی پاسخ می‌دهد. این مدل، درک تصویری یک رمزگذار چندحالته‌ی قوی را با توانایی زبان فارسیِ خانواده‌ی دیبا ترکیب می‌کند؛ پس می‌تواند به یک عکس، سند یا اسکرین‌شات نگاه کند و روان درباره‌اش فارسی حرف بزند، جایی که بیشتر مدل‌های بینایی متن‌باز ضعیف‌اند.

چه کارهایی انجام می‌دهد

توصیف تصویر به فارسی یا انگلیسیِ روان.
خواندن متن داخل تصویر: تابلوها، اسناد، فرم‌ها و متن‌های فارسی و انگلیسی (درک شبیه به OCR).
تحلیل اسکرین‌شات: صفحه‌های رابط کاربری، نمودار، جدول و اسکرین‌شات کد.
پاسخ به پرسش درباره‌ی عکس: «اینجا چه خبر است؟»، «این تابلو چه نوشته؟»، «مشکل این رابط کاربری چیست؟».
استدلال هم‌زمان روی تصویر و متن در یک گفتگو.

ورودی و خروجی

ورودی: یک یا چند تصویر همراه با یک پرسش متنی (گفتگوی چندمرحله‌ای پشتیبانی می‌شود).
خروجی: متن، به همان زبان پرسش شما.

مشخصات


نوع	مدل بینایی-زبانی (تصویر + متن ← متن)
تعداد پارامتر	حدود ۴ میلیارد
زبان‌ها	فارسی‌محور، به‌همراه انگلیسی
مجوز	Apache 2.0

شروع سریع

از همان کد بخش انگلیسی استفاده کنید. هنگام بارگذاری، trust_remote_code=True را بدهید و برای پرسش‌های جست‌وجو تصویر و متن را با هم بفرستید.

کاربرد و محدودیت‌ها

دیبا-ویژن برای درک تصویر و پاسخ درباره‌ی آن است، نه برای تولید تصویر. بهترین کیفیت روی عکس‌های روزمره، اسناد و صفحه‌هاست؛ متن‌های بسیار ریز، اسکن‌های بی‌کیفیت یا نمودارهای خیلی تخصصی ممکن است اشتباه خوانده شوند. مدل سوگیری‌های داده‌ی خود را بازتاب می‌دهد. برای گفتگوی متنی و کد از Diba-Base و برای جست‌وجوی معنایی از Diba-Embed استفاده کنید.

خانواده‌ی دیبا · The Diba family — Diba-Base · Diba-Embed · Diba-Vision · Diba-Code · Diba-TTS · Diba-STT · Diba-Image · Diba-ImageEdit

Built by Dibachain · ساخته‌ی دیباچین

Downloads last month: 57

Safetensors

Model size

5B params

Tensor type

BF16

F32

Dibachain
/

Diba-Vision