/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
4 июл 2026

swiftvln-satnav-3b-1ep-f32s4-overlap0-pf-h8-pool-s2-noembed

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель SwiftVLN предсказывает короткие последовательности навигационных действий по текстовой инструкции, спутниковым изображениям и визуальной истории.

190скачиваний за 30 дней0лайковвеса обновлены19 сен 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

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap0-pf-h8-pool-s2-noembed — мультимодальная модель навигации по спутниковым изображениям, разработанная для бенчмарка SatNav в рамках SwiftVLN. Она принимает инструкцию на естественном языке, текущее RGB-изображение и выборку из визуальной истории, а затем предсказывает последовательность из четырёх навигационных действий.

Модель основана на Qwen/Qwen2.5-VL-3B-Instruct и дообучена всеми параметрами на экспертных траекториях SatNav-v0.1 в течение одной эпохи. Архитектура Qwen2.5-VL имеет 3,1 млрд параметров и поддерживает контекст до 128 000 токенов; конфигурация этого чекпойнта использует окно из 32 RGB-кадров и до восьми равномерно выбранных кадров истории с усредняющим пулингом по каждому кадру и шагом 2.

Модель предназначена для экспериментов и оценки навигации по спутниковым изображениям в среде SatNav; она выдаёт действия, а не универсальные текстовые ответы. Её применимость за пределами этого бенчмарка не подтверждена. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Предсказание действий навигации по спутниковому снимку и инструкции
  • Планирование следующих четырёх шагов агента в среде SatNav
  • Навигация с учётом выбранных кадров визуальной истории
  • Оценка моделей на бенчмарке SatNav

Ограничения

Модель специализирована для среды SatNav и её обучающих данных; качество вне этого бенчмарка не подтверждено. В README описана выдача последовательностей действий, но схема их представления не уточняется.

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

SwiftVLN for SatNav — Reference

Related Repositories

  • SwiftVLN: training and evaluation code for these checkpoints.
  • SatNav: satellite-image navigation environments, datasets, and evaluation tools.

This checkpoint is designed for SwiftVLN on SatNav, the continuous-state vision-and-language navigation benchmark over satellite imagery. It predicts short navigation-action sequences from an instruction, the current RGB window, and sampled visual memory.

Model

  • Starting checkpoint: Qwen/Qwen2.5-VL-3B-Instruct
  • Training data: SatNav-v0.1 offline expert trajectories
  • Training: 1 epoch, full-parameter fine-tuning, learning rate 2e-5
  • Context: 32 RGB frames, up to 8 uniformly sampled history frames
  • Prediction horizon: 4 actions
  • Memory: per-frame average pooling with stride 2

Repository name

  • swiftvln-satnav: SwiftVLN trained and evaluated on SatNav
  • 3b: Qwen2.5-VL 3B backbone
  • 1ep: trained for one epoch
  • f32s4: uses a 32-frame window and predicts four actions
  • overlap0: uses non-overlapping training windows
  • pf-h8: uses per-frame memory with up to eight history frames
  • pool-s2: applies average pooling with stride 2
  • noembed: uses no embedding enhancement

Reference Results

Results reported in the SatNav paper, baseline comparison, row SwiftVLN.

SR, SPL, and OS are percentages. NE is measured in meters. Steps is the average number of executed environment actions, including turns and stop.

SplitSR (%)SPL (%)OS (%)NE (m)Steps
Test Seen (val_seen)65.865.572.434.0549.97
Test Unseen (val_unseen)53.753.264.162.2957.38

Usage

Use this checkpoint with the SwiftVLN evaluation guide. Keep the full repository name unchanged because SwiftVLN derives the evaluation configuration from it.

This checkpoint is the reference model in the SwiftVLN SatNav Ablation Model Zoo.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
4a81abb

0 моделей