/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B
Библиотека
transformers
Опубликована
20 мар 2025

JarvisVLA-Qwen2-VL-7B

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель CraftJarvis для выполнения текстовых инструкций в Minecraft с опорой на визуальное состояние игры.

838скачиваний за 30 дней12лайковвеса обновлены21 мар 2025

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

JarvisVLA-Qwen2-VL-7B — модель Visual-Language-Action, разработанная CraftJarvis для выполнения задач в Minecraft по инструкциям на естественном языке. Она дообучена на Qwen/Qwen2-VL-7B и сочетает понимание изображений с диалоговым интерфейсом; репозиторий содержит веса Safetensors для Transformers. Размер модели — 7,1 млрд параметров, длина контекста — 32 768 токенов. Карточка заявляет поддержку тысяч игровых навыков и взаимодействие с открытым миром Minecraft.

Модель предназначена для управления игровыми действиями на основе визуального состояния Minecraft и текстовых команд. Лицензия — MIT. Карточка не уточняет поддерживаемые версии игры, точный интерфейс передачи игровых действий или результаты количественной оценки качества.

Сценарии применения

  • выполнение текстовых команд в Minecraft
  • управление персонажем по изображению игрового экрана
  • взаимодействие с открытым миром Minecraft
  • выполнение игровых навыков по естественно-языковым инструкциям

Ограничения

Карточка не описывает точный интерфейс выполнения игровых действий и не приводит количественных оценок качества. Назначение ограничено Minecraft.

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

Introduction

JarvisVLA-Qwen2-VL-7B is a Visual-Language-Action (VLA) model specifically tailored for the open-world game Minecraft. Based on human language instructions, JarvisVLA-Qwen2-VL-7B masters thousands of in-game skills, empowering endless creativity and interaction in Minecraft’s expansive universe!

Citation


@article{li2025jarvisvla,
  title   = {JARVIS-VLA: Post-Training Large-Scale Vision Language Models to Play Visual Games with Keyboards and Mouse},
  author  = {Muyao Li and Zihao Wang and Kaichen He and Xiaojian Ma and Yitao Liang},
  year    = {2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
27e83fb

0 моделей