/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
28 авг 2026

WorldReward-qwen35-9b

Изображение и текст → текст3 профессии

Мультимодальная модель WorldReward сравнивает видео с учётом изображения сцены, описания и действий для оценки их соответствия по действиям, внешнему виду и движению.

54скачиваний за 30 дней2лайкавеса обновлены7 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

WorldReward-qwen35-9b — дообученная мультимодальная модель оценки от команды WorldReward на базе Qwen/Qwen3.5-9B. Она сравнивает два видео, учитывая исходное изображение сцены, текстовое описание и последовательность действий с управлением камерой, и помогает определить, какое видео лучше соответствует заданным условиям по действиям, внешнему виду и движению. Пример запуска предполагает подачу изображения, двух видео, подписи сцены и списка действий; заявленная оценка на WorldReward-Bench показывает согласие с человеческими метками в трёх категориях сравнения.

Модель построена на плотной архитектуре Qwen3.5 с 9 млрд параметров и использует Transformers и формат safetensors. Карточка указывает визуальные и диалоговые возможности, но не сообщает поддерживаемые языки или длину контекста. Лицензия — Apache-2.0. README не содержит ссылок на статью, проектную страницу или код, поэтому сведения о методике обучения и воспроизводимости ограничены.

Сценарии применения

  • сравнение двух видео генерации мира по соответствию заданным действиям
  • оценка точности управления камерой в видеороликах
  • ранжирование видео по сходству с текстовым описанием сцены
  • оценка внешнего вида и движения в сгенерированных видео

Ограничения

Опубликованные в README результаты относятся к WorldReward-Bench из 760 пар, и описание не приводит деталей методики обучения или проверки на других наборах данных. Не заявлены поддерживаемые языки и длина контекста.

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

WorldReward-qwen35-9b

WorldReward: Reward Modeling for Camera-Conditioned World Models.

Clipboard_Screenshot_1788393213

Usage

git clone https://github.com/CodeGoat24/WorldReward
cd WorldReward && pip install -e .

python examples/run_single_pair.py \
    --input-image  my_data/scene.jpg \
    --left-video   my_data/system_x.mp4 \
    --right-video  my_data/system_y.mp4 \
    --caption      "A sunlit street lined with colorful European-style buildings." \
    --actions      forward,forward,left+camera_down \
    --frames-per-action 8 \
    --show-reasoning

Inference needs vLLM new enough to register Qwen3_5ForConditionalGeneration:

python -c "from vllm.model_executor.models.registry import ModelRegistry as R; \
           print('Qwen3_5ForConditionalGeneration' in R.get_supported_archs())"

Results

Three-way agreement with human labels on WorldReward-Bench (760 pairs, %). All pairs count: a pair labelled tie is correct only if the model also predicts tie.

Reward modelActionAppearanceMotion
WorldReward-9B77.6381.3273.03
GPT-5.574.2179.8769.47
Gemini-3.1-Pro65.7980.1360.79
DAv370.53----
WorldMirror68.55----
Qwen3.5-VL-27B (zero-shot)63.6844.3462.76
Qwen3.5-VL-9B (zero-shot)48.4248.2943.82
HPSv3--73.68--
Aesthetic--69.87--
UnifiedReward-Think--66.0938.79
UnifiedReward-Flex--64.6249.86
VideoAlign--61.3240.13

Citation

@article{wang2026worldreward,
  title={WorldReward: Reward Modeling for Camera-Conditioned World Models},
  author={Wang, Yibin and Wang, Zehan and Tang, Junshu and Li, Zhimin and Zhou, Yujie and Bu, Jiazi and Ling, Pengyang and Han, Feng and Zhang, Zhixiong and Xing, Long and others},
  journal={arXiv preprint arXiv:2609.03952},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
c176a33

0 моделей