/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
3 сен 2026

Recon2Reason-Reasoning-4B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen3-VL-4B для пространственных рассуждений об объектах и отношениях в изображениях помещений.

165скачиваний за 30 дней0лайковвеса обновлены3 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Recon2Reason Reasoning 4B — мультимодальная модель зрения и языка, разработанная BAAI и дообученная на базе Qwen/Qwen3-VL-4B-Instruct. Она предназначена для пространственных рассуждений по изображениям помещений и сцен, связанных с embodied AI: оценки метрических расстояний, относительных положений, конфигураций объектов и пространственных отношений.

Модель использует архитектуру Qwen3VLForConditionalGeneration и содержит около 4,44 млрд параметров. Принимает одно или несколько изображений и текстовые запросы, выдаёт текстовые ответы; работает через стандартный интерфейс Transformers и не требует пользовательского кода модели. Веса представлены в BF16 в формате Safetensors. Для воспроизведения бенчмарков README рекомендует жадное декодирование.

Модель показала сильные результаты на бенчмарках метрических и качественных пространственных рассуждений, однако README не приводит численных результатов. Лицензия — Apache-2.0. Это только reasoning-модель; расширение с retrieval-augmented реконструкцией сцен выпущено отдельно.

Сценарии применения

  • оценка расстояния между объектами на изображении
  • определение относительного положения предметов в комнате
  • анализ конфигурации объектов в помещении
  • ответы на вопросы о пространственных отношениях в сцене
  • пространственное рассуждение для embodied AI

Ограничения

Модель ориентирована на пространственный анализ indoor-сцен; заявленные сильные результаты не сопровождаются численными оценками в приведённом README. Расширение для retrieval-augmented реконструкции сцен в этот репозиторий не входит.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Recon2Reason Reasoning 4B

Recon2Reason Reasoning 4B is a 4B-scale vision-language model specialized for spatial reasoning in indoor and embodied scenes. It is fine-tuned from Qwen3-VL-4B and improves reasoning about metric distance, relative position, object configuration, and spatial relations from visual inputs.

The checkpoint retains the standard Qwen3VLForConditionalGeneration architecture. No custom model code or trust_remote_code=True is required.

Highlights

  • Standard Qwen3-VL Transformers interface
  • 4,437,815,808 parameters
  • BF16 weights in sharded Safetensors format
  • Single-image and multi-image visual inputs
  • Strong results on metric and qualitative spatial reasoning benchmarks

This repository contains the reasoning model only. The retrieval-augmented scene-reconstruction extension is released separately.

Model details

PropertyValue
Model nameRecon2Reason Reasoning 4B
Model typeVision-language conditional generation model
ArchitectureQwen3VLForConditionalGeneration
Parameters4,437,815,808
Weight dtypeBF16
Weight formatSafetensors, 2 shards
Primary domainIndoor spatial reasoning
Base modelQwen3-VL-4B-Instruct
Tested Transformers version4.57.1
LicenseApache-2.0

Quick start

pip install "transformers==4.57.1" "torch>=2.6" accelerate safetensors pillow
import torch
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

model_id = "BAAI/Recon2Reason-Reasoning-4B"

processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id,
    dtype="auto",
    device_map="auto",
).eval()

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "path/to/scene.jpg"},
            {
                "type": "text",
                "text": "Which object is closest to the chair? ",
            },
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        **inputs,
        max_new_tokens=512,
        do_sample=False,
    )

generated_ids = output_ids[:, inputs["input_ids"].shape[1]:]
answer = processor.batch_decode(
    generated_ids,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0]
print(answer)

The model uses the standard Qwen3-VL chat format. For benchmark reproduction, use greedy decoding (do_sample=False) unless a benchmark specifies otherwise.

Evaluation

The checkpoint was evaluated in BF16 with PyTorch 2.8.0, Transformers 4.57.1, SDPA attention, and greedy decoding on NVIDIA RTX PRO 6000 Blackwell GPUs.

License

The model is released under the Apache License 2.0, subject to final confirmation that all training data and upstream artifacts permit this distribution. See LICENSE.

Acknowledgements

This work builds on Qwen3-VL. We thank the creators of the evaluation datasets and the open-source Transformers ecosystem.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
f8faf41

0 моделей