/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
18 июл 2026

vision-opd-qwen3.5-4b-reproduction

Изображение и текст → текст

Неофициально дообученная Qwen3.5-4B для диалогового анализа изображений с акцентом на восприятие мелких визуальных деталей.

12скачиваний за 30 дней0лайковвеса обновлены18 июл 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 неофициальное воспроизведение Vision-OPD на базе мультимодальной плотной модели Qwen3.5-4B, подготовленное сторонним автором с использованием открытой реализации Vision-OPD и набора Vision-OPD-6K. Модель дообучена на 6 241 примере в течение одной эпохи; опубликован объединённый чекпойнт Transformers, а не обучающие шарды.

Модель предназначена для диалогового понимания изображений и более точного восприятия визуальных деталей, включая анализ отдельных областей изображения в контексте целого. В README приведены результаты на визуальных бенчмарках: воспроизведение улучшило среднее по шести бенчмаркам относительно указанного базового Qwen3.5-4B, но результаты различались между бенчмарками и уступали оригинальной Vision-OPD на среднем значении. Использовать модель можно через Transformers версии 5.5.0 или новее с поддержкой Qwen3.5. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы об изображении с анализом мелких деталей
  • поиск и описание объектов в отдельных областях изображения
  • сопоставление локальных деталей изображения с общей сценой

Ограничения

Это одиночный неофициальный запуск воспроизведения; результаты зависят от конфигурации инференса и оценивания, описанной в README. На части приведённых бенчмарков модель уступает базовой модели или опубликованному результату Vision-OPD.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vision-OPD Qwen3.5-4B Reproduction

This repository contains an unofficial reproduction of Vision-OPD based on Qwen/Qwen3.5-4B. It is not an official model release from the Vision-OPD authors.

Vision-OPD applies regional-to-global on-policy self-distillation to improve fine-grained visual perception. This checkpoint was produced with the public Vision-OPD implementation and the public yuanqianhao/Vision-OPD-6K training set.

Training

SettingValue
Base modelQwen/Qwen3.5-4B
Training datayuanqianhao/Vision-OPD-6K (6,241 samples)
Epochs1
Final step65
Batch size96
Rollouts per prompt8
Learning rate2e-6
Hardware8 x NVIDIA B200

The uploaded artifact is the merged Transformers checkpoint, not an FSDP training shard.

Evaluation

Generation used non-thinking mode with a maximum output length of 32,768 tokens. The answer judge was openai/gpt-oss-120b, served locally with a 65,536-token context window and a 2,048-token judge output limit.

BenchmarkQwen3.5-4B baselineThis reproductionPaper Vision-OPD-4B
V*84.2990.0592.15
ZoomBench47.6959.6459.76
HRBench-4K84.3881.7584.50
HRBench-8K80.1380.0080.38
MME-RealWorld-EN63.8671.9674.88
MME-RealWorld-CN63.7069.5670.76
Average70.6875.4977.07

The reproduction improves the six-benchmark average by 4.81 points over the reported Qwen3.5-4B baseline and remains 1.58 points below the paper result.

Usage

Use a recent Transformers release with Qwen3.5 support (transformers>=5.5.0).

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "Hugo0713/vision-opd-qwen3.5-4b-reproduction"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

The model can also be served with vLLM:

vllm serve Hugo0713/vision-opd-qwen3.5-4b-reproduction \
  --served-model-name Vision-OPD-4B \
  --gpu-memory-utilization 0.85

Limitations

This is a single reproduction run. The reported results depend on the local inference and judge configuration described above and should not be treated as an official Vision-OPD release.

Citation

@article{yuan2026vision,
  title={Vision-OPD: Learning to See Fine Details for Multimodal LLMs via On-Policy Self-Distillation},
  author={Yuan, Qianhao and Lou, Jie and Yu, Xing and Lin, Hongyu and Sun, Le and Han, Xianpei and Lu, Yaojie},
  journal={arXiv preprint arXiv:2605.18740},
  year={2026}
}

License

Apache-2.0. See LICENSE for details.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
93130b2

0 моделей