/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
CC BY-NC 4.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
30 сен 2026

vev-4b

Изображение и текст → текст

Мультимодальная модель на базе Qwen3.5-4B, которая оценивает текст, структурированные записи и изображения, выдавая вероятности заданных вариантов ответа.

193скачиваний за 30 дней5лайковвеса обновлены5 окт 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

Vev-4b — мультимодальная модель для структурированной оценки и классификации, разработанная CountingSheep. Она принимает текст, JSON-записи и изображения, например снимки экрана, и за один проход выдаёт вероятности для заданных вариантов ответа: «да/нет», множественного выбора или оценки по шкале. Модель дообучена методом LoRA на Qwen/Qwen3.5-4B; адаптер объединён с основными весами. Использует архитектуру Qwen3.5 с поддержкой зрения и работает через библиотеку Transformers.

Модель предназначена для пакетной оценки утверждений, классификации записей и вынесения суждений по изображениям. Карточка приводит результаты на англоязычных и китайских наборах данных, а также демонстрацию управления Doom через серию вопросов о текущем изображении. Для запуска автор указывает потребность примерно в 10 ГБ свободной памяти NVIDIA GPU. Версия v0.1 обозначена как исследовательское превью; лицензия CC BY-NC 4.0 разрешает использование только на некоммерческих условиях.

Вероятности хорошо ранжируют ответы, но не являются точными частотами; порог следует подбирать на размеченных данных своей задачи. Порядок вариантов влияет на выбор, совместная оценка нескольких вопросов немного меняет вероятности, а задачи с многошаговыми рассуждениями могут выполняться хуже, чем базовой моделью с предварительным рассуждением. На вопросах о наличии ошибки модель склонна чаще отвечать «нет».

Сценарии применения

  • классификация текстовых записей по заданным вариантам
  • оценка утверждений в формате «да/нет»
  • выбор подходящего ответа из нескольких вариантов
  • оценка снимков экрана по заданным критериям
  • вынесение оценочных суждений по тексту или изображению

Ограничения

Вероятности не являются точными частотами, их калибровка зависит от задачи; порядок вариантов ответа может менять результат. Многошаговые рассуждения слабее, чем у базовой модели с предварительным обдумыванием, а ответы на вопросы о наличии ошибки склоняются к «нет».

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vev-4b

Jev-like decision models that can also see images. Ask yes/no, multiple-choice or graded questions about a piece of text, a JSON record or a screenshot, and get a probability for every allowed answer in one forward pass. Vev serves the same request format as TypeSafe's Jev (/v1/systemone), and runs on your own GPU. Code, API and full results: Xiaooolong/vev.

vev-4b playing Doom in real time through a small harness: 8 yes/no questions per look, one request. Try vev-4b in the browser: CountingSheep/vev.

This repository holds the merged weights: Qwen/Qwen3.5-4B with the Vev adapter folded in. The adapter alone is in CountingSheep/vev-4b-lora. The other size is CountingSheep/vev-9b.

questions = {
    "error": Noul(instructions="Does the screen show an error message?"),
    "step": Choice(instructions="Which checkout step is the user on?",
                   criteria={"shipping": None, "payment": None, "review": None}),
    "next": Choice(instructions="What should the user do next?",
                   criteria={"retry": "Try another card", "wait": "Wait for the order to ship",
                             "nothing": "Nothing, the order went through"}),
}
# vev-4b:  error 0.991
#  step  {"shipping": 0.005, "payment": 0.765, "review": 0.229}
#  next  {"retry": 0.983, "wait": 0.004, "nothing": 0.014}

v0.1 is a research preview, released for non-commercial use under CC BY-NC 4.0.

Use it

pip install git+https://github.com/Xiaooolong/vev typesafe-sdk
vev serve --model CountingSheep/vev-4b          # add --revision v0.1.0 to pin this release
from typesafe_sdk import Choice, Noul, TypeSafeClient

client = TypeSafeClient(api_key="local", base_url="http://127.0.0.1:8009")
resp = client.system_one(
    state="Order #4411 still shows 'label created' after 9 days. I need it before Friday.",
    questions={"urgent": Noul(instructions="Is the customer asking for something time-sensitive?")},
)
print(resp.answers["urgent"].noul)

Noul is the API's name for a yes/no question. Images go into the state as {"image": {"url": "data:image/png;base64,..."}}. Needs an NVIDIA GPU with about 10 GB of free memory.

What it can do

Accuracy on human-labelled data, by the kind of question:

Kind of questionExamplevev-4b
Jev-style decisions on textJevBench public subset0.766
The same, on sources the model has not seenkev transfer-v40.776
Chinesejudgekit0.962
Pairs where a small change flips the answernimble0.707
UI state in an app screenshot"Is there a switch or checkbox that is turned on?" / "Is there a text input field?"0.928 / 0.951
An image against a written safety policythe LlavaGuard policy categories0.742
A generated image against its prompt"Does the image show the element 'grass' as the prompt describes?"0.715
General questions about a photoMMBench-EN / POPE / MMStar0.881 / 0.889 / 0.627
Bugs in game screenshotsglitch / object clipping (VideoGameQA-Bench)0.613 / 0.671

The text rows are public benchmarks; the image rows are judgment sets converted from labelled public data. Jev is more accurate on nimble (by 22 points), JevBench (10) and kev transfer-v4 (8); they tie on judgekit. Jev's API takes text only, so the image rows have no Jev comparison. Check Vev on a labelled sample of your own questions before relying on it. Significance tests and the comparison with the base model are in the GitHub README.

Limitations

  • The probabilities rank answers well but are not exact frequencies: expected calibration error is 0.02–0.11 depending on the task. Choose any threshold on your own labelled data.
  • Reversing the order of the options changes the top answer on 17% of JevBench and kev transfer-v4 questions (Jev: under 4%).
  • Asked together with other questions, a question's probabilities move by up to a few hundredths (p99 0.025).
  • Judgments that need several steps of reasoning are weaker than the base model's own answer when it may think first. On "is something wrong here?" questions the model answers "no" more often than the labels do.
  • Vev is not affiliated with TypeSafe; it matches Jev's API, not its behaviour.

Load the weights directly

from transformers import AutoModelForImageTextToText, AutoProcessor

model = AutoModelForImageTextToText.from_pretrained("CountingSheep/vev-4b", dtype="bfloat16")
processor = AutoProcessor.from_pretrained("CountingSheep/vev-4b")

config.json keeps mtp_num_hidden_layers from the base model, but the multi-token-prediction weights are not included; reading answers does not use them.

This gives the model only. Vev reads the next-token probabilities of the answer tokens (Yes/No, option letters, level digits) at the end of a fixed prompt, described in spec/systemone-api.md, section 10.

Training

LoRA rank 16 on the language model of Qwen/Qwen3.5-4B, vision tower frozen; 2,500 steps on 100,000 records from 42 public English and Chinese text and image datasets, with a KL term towards the base model on training rows and on the 10,123 unlabeled rows of CountingSheep/vev-anchor-v3. Recipe, library versions and data sources: TRAINING.md.

License

CC BY-NC 4.0, non-commercial use only, because some training data is licensed for research use (sources and terms in TRAINING.md). The base model is Apache 2.0; its license is included as LICENSE-Qwen.

All Vev models and data: collection.

Citation

@software{vev2026,
  title   = {Vev: Jev-like decision models that can also see images},
  author  = {Wang, Xiaolong},
  year    = {2026},
  url     = {https://github.com/Xiaooolong/vev},
  version = {0.1.1}
}

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
793c449

0 моделей