/ 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-sgtc-k512-noembed

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель Qwen2.5-VL для навигации робота по спутниковым изображениям с предсказанием последовательностей действий.

27скачиваний 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-sgtc-k512-noembed — модель для навигации робота по спутниковым изображениям в рамках бенчмарка SatNav. Она разработана на основе Qwen/Qwen2.5-VL-3B-Instruct и обучена командой SwiftVLN полным дообучением на экспертных траекториях SatNav-v0.1. Архитектура — плотная мультимодальная Qwen2.5-VL с 3,1 млрд параметров; модель обрабатывает текст и последовательности RGB-кадров, включая историю до 32 кадров, и предсказывает следующие четыре действия. Для сжатия визуальной истории она делит её на восемь временных сегментов и кластеризует токены, формируя суммарно 512 выходных токенов.

Модель предназначена для оценки и экспериментов по непрерывной навигации с языковыми инструкциями на спутниковых изображениях; для запуска следует использовать инструменты оценки SwiftVLN. Метаданные указывают контекстное окно 128 000 токенов, хотя карточка описывает специализированное использование с 32 RGB-кадрами и визуальной историей. Поддерживаемый язык карточки — английский. Модель опубликована в формате safetensors; лицензия в предоставленных данных не приведена.

Сценарии применения

  • навигация по спутниковым изображениям по языковой инструкции
  • предсказание следующих действий робота по истории RGB-кадров
  • оценка непрерывной vision-language навигации на бенчмарке SatNav

Ограничения

Обучение проведено на экспертных траекториях SatNav-v0.1, поэтому применимость к другим средам и сценариям навигации не установлена. Для оценки требуется конфигурация SwiftVLN, связанная с полным именем репозитория.

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 — Segment Token Clustering

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 divides visual history into temporal segments and clusters tokens within each segment.

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 plus the available visual history
  • Prediction horizon: 4 actions
  • Memory: eight temporal segments compressed to 512 total output tokens

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
  • sgtc-k512: applies segment token clustering with 512 total output tokens
  • noembed: uses no embedding enhancement

Reference Results

Results reported in the SatNav paper, memory-design ablation, row Segment token clustering (STC).

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)68.367.977.3+2.5+4.9
Test Unseen (val_unseen)54.554.166.2+0.8+2.1

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 a long-term-memory 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
3c99717

0 моделей