/ 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-Instruct
Библиотека
transformers
Опубликована
12 сен 2025

minecraft-openha-qwen2vl-7b-2509

Изображение и текст → текст3 профессии

Мультимодальная модель CraftJarvis для восприятия сцен Minecraft и генерации текстовых действий управления на базе Qwen2-VL-7B-Instruct.

5 421скачиваний за 30 дней1лайквеса обновлены24 сен 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

CraftJarvis/minecraft-openha-qwen2vl-7b-2509 — мультимодальная модель CraftJarvis на базе Qwen2-VL-7B-Instruct, дообученная для управления в Minecraft. Модель объединяет визуальное восприятие, рассуждение через абстрактные действия (Chain of Action, CoA) и выдачу текстовых действий в единой системе обучения для задач движения и привязки действий к сцене.

Модель предназначена для управления персонажем в Minecraft по визуальному наблюдению и контексту диалога, включая генерацию текстовых действий и обобщение между задачами, обычно решаемыми специализированными агентами. Она использует архитектуру Qwen2-VL с 7,1 млрд параметров, поддерживает изображения и текст, а максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса Safetensors и рассчитан на Transformers; лицензия — MIT.

Сценарии применения

  • управление персонажем Minecraft по визуальному наблюдению
  • генерация текстовых команд действий для агента Minecraft
  • сочетание движения и привязки действий к объектам в сцене Minecraft

Ограничения

Карточка описывает применение для Minecraft, но не приводит количественных оценок качества или подробной информации об ограничениях и отказоустойчивости.

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

Minecraft-Openha-Qwen2vl-7b-2509

✨ Highlights

This model is built on Qwen2-VL-7B-Instruct and introduces two key innovations:

  • Chain of Action (CoA): bridges reasoning and control by using abstracted actions as thoughts.
  • All-in-One training: unifies motion, grounding, and text actions into a single framework, enabling broad generalization beyond specialist agents.

💻 Usage

You can download and use this model with:

python examples/rollout_openha.py \
    --output_mode text_action  \
    --vlm_client_mode hf \
    --system_message_tag text_action \
    --model_ips localhost --model_ports 11000 \
    --model_id minecraft-openha-qwen2vl-7b-2509 \
    --record_path "~/evaluate" \
    --max_steps_num 200 \
    --num_rollouts 8

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
e27c299

0 моделей