/ 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
Библиотека
transformers
Опубликована
3 июл 2025

TreeVGR-7B-CI

Изображение и текст → текст3 профессии

TreeVGR-7B-CI — дообученная на базе Qwen2.5-VL мультимодальная модель для визуальных вопросов, локализации объектов и объяснимого рассуждения по изображениям.

66скачиваний за 30 дней1лайквеса 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-CI — мультимодальная модель Haochen Wang и соавторов для визуально обоснованного рассуждения. Она дообучена на базе Qwen2.5-VL-7B с совместным обучением локализации объектов и рассуждению; в работе описаны supervised fine-tuning и обучение с подкреплением. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с привязкой к визуальным областям, включая координаты ограничивающих рамок.

Модель предназначена для визуальных вопросов и ответов, поиска мелких или малозаметных объектов в загруженных сценах, а также рассуждений о взаимодействиях и пространственных отношениях между объектами. В README сообщается об улучшении результатов относительно исходной модели на V* Bench, MME-RealWorld и TreeBench. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; длина контекста — до 128 000 токенов.

Карточка указывает лицензию Apache-2.0. Количественные показатели относятся к описанным в статье оценкам; карточка не приводит отдельной оценки надёжности локализаций в прикладных условиях.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • поиск малозаметных объектов в сложных сценах
  • указание объектов на изображении с помощью ограничивающих рамок
  • анализ пространственных отношений и взаимодействий объектов
  • объяснение ответа с опорой на визуальные свидетельства

Ограничения

TreeBench состоит из 405 сложных пар вопросов и ответов, и, согласно README, даже сильные модели показывают на нём ограниченную точность. Результаты бенчмарков не гарантируют точность координат и рассуждений на изображениях из реальных прикладных сценариев.

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: Traceable Evidence Enhanced Visual Grounded Reasoning Model

This repository contains the TreeVGR-7B model, a state-of-the-art open-source visual grounded reasoning model, as presented in the paper Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology.

Project page: https://haochenwang409.github.io/TreeVGR/

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 vision-grounded reasoning.

TreeBench Overview

News

  • [2025/07/11] 🔥🔥🔥 TreeBench and TreeVGR have been supported by VLMEvalKit! 🔥🔥🔥
  • [2025/07/11] 🔥 TreeBench and TreeVGR have been released.

Installation

pip3 install -r requirements.txt
pip3 install flash-attn --no-build-isolation -v

Usage

This repo provides a simple local inference demo of our TreeVGR on TreeBench. First, clone this repo,

git clone https://github.com/Haochen-Wang409/TreeVGR
cd TreeVGR

and then, simply run inference_treebench.py

python3 inference_treebench.py

This should give:

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

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

Hugging Face Resources

Benchmark

Checkpoints

Training Datasets

Citation

If you find this work useful for your research and applications, please cite using this 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}
}

Acknowledgement

We would like to express our sincere appreciation to the following projects:

  • Qwen2.5-VL: The base model we utilized.
  • VGR: The source of our SFT dataset.
  • V* and VisDrone: The image source of our RL dataset.
  • SA-1B: The image source of our TreeBench.
  • LLaMA-Factory: The SFT codebase we utilized.
  • EasyR1: The RL codebase we utilized.

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
d875192

0 моделей