Характеристики

Контекст: 128 000 токенов
Параметры: 3,1 млрд
Размер весов: 11,2 ГБ
Лицензия: MIT
Архитектура: spatial-mllm · dense
Базовая модель: Qwen2.5-VL-3B-Instruct
Библиотека: transformers
Опубликована: 5 янв 2026

Ссылки

Spatial-MLLM-v1.1-Instruct-820K

Компьютерное зрениеВидео, текст → текст3 профессии

Производная модели Diankun/Spatial-MLLM-subset-sft. Дообученная мультимодальная модель Qwen2.5-VL для диалогового анализа видео и ответов на вопросы о пространственной информации в сценах.

92скачиваний за 30 дней0лайковвеса обновлены17 янв 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

Карточка модели Diankun/Spatial-MLLM-v1.1-Instruct-820K на Hugging Face совпадает с карточкой Diankun/Spatial-MLLM-subset-sft, поэтому описание составлено по ней.

Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов.

Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.