/ 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-posefilm

Изображение и текст → текст3 профессии

Дообученная Qwen2.5-VL-3B модель для предсказания действий при навигации по спутниковым изображениям в бенчмарке SatNav.

77скачиваний 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

Это дообученная модель SwiftVLN-SatNav от разработчиков SwiftVLN для навигации по спутниковым изображениям в бенчмарке SatNav. Она принимает последовательности RGB-кадров и сведения об относительном положении и направлении, а затем предсказывает последовательность из четырёх действий для продолжения маршрута. Модель основана на мультимодальной Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров; для объединения визуальных токенов с относительной позой применяется FiLM.

Обучение выполнено полным дообучением за одну эпоху на экспертных траекториях SatNav-v0.1. Конфигурация использует окно из 32 RGB-кадров, до восьми равномерно выбранных кадров истории и усреднение признаков по кадрам с шагом 2. Контекстная длина базовой модели — 128 000 токенов. Модель предназначена для экспериментов и оценки в SwiftVLN/SatNav, а не для универсального диалогового анализа изображений. Лицензия в предоставленных данных не указана.

Сценарии применения

  • планирование следующих действий по последовательности спутниковых снимков
  • навигация по спутниковым изображениям с учётом положения и направления
  • оценка моделей на бенчмарке SatNav
  • предсказание четырёх шагов маршрута по кадрам и истории движения

Ограничения

Модель специализирована на бенчмарке SatNav и его формате данных и предсказывает действия в окне из четырёх шагов; её пригодность для других сред и маршрутов в карточке не подтверждена. Для запуска и оценки требуется совместимая конфигурация SwiftVLN.

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 — Relative Pose

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 augments visual tokens with relative pose through feature-wise linear modulation.

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 and up to 8 uniformly sampled history frames
  • Prediction horizon: 4 actions
  • Memory: per-frame average pooling with stride 2
  • Pose fusion: FiLM over relative position and heading features

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-pool-s2: uses the reference per-frame memory configuration
  • posefilm: injects relative pose into visual tokens with FiLM

Reference Results

Results reported in the SatNav paper, memory-design ablation, row Relative pose.

SR, SPL, and OS are percentages. Changes in SR and OS are percentage points relative to the SwiftVLN reference model.

SplitSR (%)SPL (%)OS (%)Delta SR (pp)Delta OS (pp)
Test Seen (val_seen)67.867.576.3+2.0+3.9
Test Unseen (val_unseen)55.455.265.0+1.7+0.9

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 an input-augmentation ablation 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
e4101e9

0 моделей