/ Модель

Характеристики

Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
11 июл 2026

qwen25vl-3b-perdataset-derivatives

Изображение и текст → текст

Набор вариантов Qwen2.5-VL-3B, дообученных на отдельных наборах данных для ответов на вопросы и анализа изображений.

0скачиваний за 30 дней0лайковвеса обновлены11 июл 2026

Бенчмарки

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

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

DSA1 публикует набор из десяти производных Qwen2.5-VL-3B-Instruct: для каждого из пяти датасетов доступны вариант LoRA и полное дообучение языковой части модели. Это мультимодальные модели для диалогового анализа изображений с текстовыми ответами; в обучении использованы MathV360K, PaintingForm, ST-VQA, TextVQA и Visual7W. Обучались на срезах по 3 000 примеров в течение трёх эпох с длиной отсечения 2 048 токенов.

Зрение и мультимодальный проектор заморожены, обучалась только языковая часть; LoRA использует ранг 16 и слои q_proj и v_proj. Репозиторий содержит веса safetensors, а для LoRA требуется базовая модель Qwen/Qwen2.5-VL-3B-Instruct. Автор обозначает модели как исследовательские артефакты. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы по изображению из MathV360K
  • ответы на вопросы по визуальным текстам и документам из ST-VQA или TextVQA
  • ответы на вопросы о картинах и живописи из PaintingForm
  • визуальные вопросы и ответы на данных Visual7W
  • эксперименты со сравнением LoRA и полного дообучения для отдельных датасетов

Ограничения

Это исследовательские варианты, обученные всего на 3 000 примерах каждого датасета; качество может быть ограниченным и узкоспециализированным. LoRA-варианты требуют базовую модель Qwen/Qwen2.5-VL-3B-Instruct.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-VL-3B — Per-Dataset Fine-Tuning Derivatives (LoRA + Full FT)

10 fine-tuned derivatives of Qwen/Qwen2.5-VL-3B-Instruct, one LoRA and one full fine-tune for each of 5 vision-language datasets. Language-model backbone only — the vision tower and multimodal projector are frozen in both variants.

⚠️ Research artifacts: each model is trained on a 3,000-example slice of one dataset for 3 epochs.

Shared training recipe (all 10)

  • Base: Qwen/Qwen2.5-VL-3B-Instruct
  • Frozen: vision tower + multimodal projector (freeze_vision_tower: true, freeze_multi_modal_projector: true) — only the LM backbone is trained.
  • Data: max_samples = 3000 per dataset, 3 epochs, cutoff_len = 2048.
  • Framework: LLaMA-Factory 0.9.3, transformers 4.52.4.
  • LoRA variant: target q_proj, v_proj; rank 16, alpha 32; lr 2e-4.
  • Full variant: DeepSpeed ZeRO-3; lr 1e-5; image_max_pixels = 401408; trainable = 100 % of the LM (vision/projector still frozen).

Contents

PathTypetrain_loss (3 ep)
lora/mathv360kLoRA (q/v r16)0.160
lora/paintingformLoRA (q/v r16)0.823
lora/stvqaLoRA (q/v r16)0.437
lora/textvqaLoRA (q/v r16)0.212
lora/visual7wLoRA (q/v r16)0.545
full/mathv360kFull FT (ZeRO-3)0.137
full/paintingformFull FT (ZeRO-3)0.659
full/stvqaFull FT (ZeRO-3)0.289
full/textvqaFull FT (ZeRO-3)0.192
full/visual7wFull FT (ZeRO-3)0.386

Datasets: MathV360K, PaintingForm, ST-VQA, TextVQA, Visual7W.

Usage

LoRA (base + PEFT):

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from peft import PeftModel
base = Qwen2_5_VLForConditionalGeneration.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct", torch_dtype="auto", device_map="auto")
model = PeftModel.from_pretrained(base, "DSA1/qwen25vl-3b-perdataset-derivatives", subfolder="lora/textvqa")
proc = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct")

Full FT (self-contained LM weights; processor/chat-template from base):

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
model = Qwen2_5_VLForConditionalGeneration.from_pretrained("DSA1/qwen25vl-3b-perdataset-derivatives", subfolder="full/textvqa", torch_dtype="auto", device_map="auto")
proc = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct")

Notes

  • train_loss = mean training loss over all optimizer steps (1014 steps per model at global batch 8 for LoRA; 129 steps at global batch 64 for full).
  • Full-FT models ship LM weights only; the vision tower + projector are byte-identical to the base — load processor/chat-template from Qwen/Qwen2.5-VL-3B-Instruct.
  • A 7B counterpart of these derivatives exists separately.

License

Inherits the base model's license (Qwen/Qwen2.5-VL-3B-Instruct). Datasets retain their respective licenses.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
d2b261e

0 моделей