/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
1 июл 2025

TreeVGR-7B

Изображение и текст → текст3 профессии

TreeVGR-7B — дообученная мультимодальная модель Qwen для визуальных вопросов, локализации объектов и рассуждений с проверяемыми свидетельствами на изображениях.

217скачиваний за 30 дней5лайковвеса обновлены15 июл 2025

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

TreeVGR-7B — мультимодальная модель для визуального рассуждения с привязкой выводов к областям изображения, представленная авторами работы Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и предназначена для вопросов по изображениям, локализации объектов и объяснения ответов с проверяемыми визуальными свидетельствами.

Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявленный контекст — 128 000 токенов. Обучение сочетает supervised fine-tuning и обучение с подкреплением; авторы сообщают об улучшении результатов на V* Bench, MME-RealWorld и TreeBench. Репозиторий содержит веса Safetensors, используется библиотека Transformers.

TreeVGR ориентирована на сложные сцены с множеством объектов, тонкие визуальные детали, пространственные отношения и взаимодействия объектов. В README описан локальный демонстрационный запуск на TreeBench; для установки требуются зависимости проекта и FlashAttention. Лицензия — Apache 2.0. Ограничение: заявленные результаты относятся к указанным визуальным бенчмаркам; README не приводит подробностей о качестве на других типах изображений или языках.

Сценарии применения

  • ответы на вопросы о содержимом сложных изображений
  • локализация объектов и визуальных деталей
  • объяснение выводов с указанием визуальных свидетельств
  • анализ пространственных отношений и взаимодействий объектов

Ограничения

Оценки в README приведены для ограниченного набора визуальных бенчмарков и не гарантируют аналогичного качества на других данных. Поддерживаемые языки в карточке явно не перечислены.

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

TreeVGR-7B

This repository contains the TreeVGR-7B model, as presented in the paper Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology.

TL; DR: We propose TreeBench, the first benchmark specially designed for evaluating "thinking with images" capabilities with traceable visual evidence, and TreeVGR, the current state-of-the-art open-source visual grounded reasoning models.

Abstract

Models like OpenAI-o3 pioneer visual grounded reasoning by dynamically referencing visual regions, just like human "thinking with images". However, no benchmark exists to evaluate these capabilities holistically. To bridge this gap, we propose TreeBench (Traceable Evidence Evaluation Benchmark), a diagnostic benchmark built on three principles: (1) focused visual perception of subtle targets in complex scenes, (2) traceable evidence via bounding box evaluation, and (3) second-order reasoning to test object interactions and spatial hierarchies beyond simple object localization. Prioritizing images with dense objects, we initially sample 1K high-quality images from SA-1B, and incorporate eight LMM experts to manually annotate questions, candidate options, and answers for each image. After three stages of quality control, TreeBench consists of 405 challenging visual question-answering pairs, even the most advanced models struggle with this benchmark, where none of them reach 60% accuracy, e.g., OpenAI-o3 scores only 54.87. Furthermore, we introduce TreeVGR (Traceable Evidence Enhanced Visual Grounded Reasoning), a training paradigm to supervise localization and reasoning jointly with reinforcement learning, enabling accurate localizations and explainable reasoning pathways. Initialized from Qwen2.5-VL-7B, it improves V* Bench (+16.8), MME-RealWorld (+12.6), and TreeBench (+13.4), proving traceability is key to advancing visual grounded reasoning.

For more details, please refer to the GitHub repository.

Installation

To get started, first clone the repository and install the required dependencies:

git clone https://github.com/Haochen-Wang409/TreeVGR
cd TreeVGR
pip3 install -r requirements.txt
pip3 install flash-attn --no-build-isolation -v

Usage

This repository provides a simple local inference demo of TreeVGR on TreeBench. After installation, you can run the inference script:

python3 inference_treebench.py

This should produce an output similar to:

Perception/Attributes 18/29=62.07
Perception/Material 7/13=53.85
Perception/Physical State 19/23=82.61
Perception/Object Retrieval 10/16=62.5
Perception/OCR 42/68=61.76
Reasoning/Perspective Transform 19/85=22.35
Reasoning/Ordering 20/57=35.09
Reasoning/Contact and Occlusion 25/41=60.98
Reasoning/Spatial Containment 20/29=68.97
Reasoning/Comparison 20/44=45.45
==> Overall 200/405=49.38
==> Mean IoU: 43.3

Note: This result is slightly different from the paper, as we mainly utilized VLMEvalKit for a more comprehensive evaluation.

Citation

If you find this work useful for your research and applications, please cite using the following BibTeX:

@article{wang2025traceable,
  title={Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology},
  author={Haochen Wang and Xiangtai Li and Zilong Huang and Anran Wang and Jiacong Wang and Tao Zhang and Jiani Zheng and Sule Bai and Zijian Kang and Jiashi Feng and Zhuochen Wang and Zhaoxiang Zhang},
  journal={arXiv preprint arXiv:2507.07999},
  year={2025}
}

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
5c8b749

0 моделей