/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
9 окт 2025

Rex-Omni

Изображение и текст → текст5 профессий

Rex-Omni — компактная мультимодальная модель для обнаружения объектов и других задач визуального анализа по изображению и текстовому запросу.

12 406скачиваний за 30 дней65лайковвеса обновлены16 окт 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

Rex-Omni — мультимодальная языковая модель с 3,1 млрд параметров, представленная IDEA-Research в работе «Detect Anything via Next Point Prediction». Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct и использует архитектуру Qwen2.5-VL с генерацией следующего токена для визуального восприятия. Модель принимает изображения и текстовые запросы, а результаты описывает текстом.

Rex-Omni предназначена для обнаружения объектов и других задач анализа изображений: распознавания текста (OCR), указания объектов, определения ключевых точек и визуального prompting. Карточка приводит примеры для этих сценариев и указывает совместимость с библиотекой Transformers. Контекст модели составляет 128 000 токенов; в метаданных указан английский язык.

Модель выпущена под лицензией IDEA License 1.0, обозначенной в метаданных как other. README не описывает количественные оценки качества или конкретные ограничения; применимость к отдельным наборам данных и сценариям следует проверять самостоятельно.

Сценарии применения

  • обнаружение объектов на изображении
  • поиск и указание объекта по текстовому описанию
  • распознавание текста на изображениях
  • определение ключевых точек объектов
  • анализ изображений с визуальными подсказками

Ограничения

В README не приведены количественные оценки качества или сведения о проверенных наборах данных. Модель ориентирована на визуальные задачи, перечисленные в карточке; качество для конкретных сценариев требует отдельной проверки.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This model is Rex-Omni, a 3B-parameter Multimodal Large Language Model (MLLM) presented in the paper "Detect Anything via Next Point Prediction". It is compatible with the Hugging Face transformers library and is licensed under the IDEA License 1.0.

Rex-Omni is a 3B-parameter Multimodal Large Language Model (MLLM) that redefines object detection and a wide range of other visual perception tasks as a simple next-token prediction problem.

🚀 Quick Start

Installation

conda create -n rexomni -m python=3.10
pip install torch==2.6.0 torchvision==0.21.0 --index-url https://download.pytorch.org/whl/cu124
git clone https://github.com/IDEA-Research/Rex-Omni.git
cd Rex-Omni
pip install -v -e .

2. Quick Start: Using Rex-Omni for Detection

from PIL import Image
from rex_omni import RexOmniWrapper, RexOmniVisualize

# Initialize model
model = RexOmniWrapper(
    model_path="IDEA-Research/Rex-Omni",
    backend="transformers"  # or "vllm"
)

# Load image
image = Image.open("your_image.jpg")

# Object Detection
results = model.inference(
    images=image,
    task="detection",
    categories=["person", "car", "dog"]
)

result = results[0]

# 4) Visualize
vis = RexOmniVisualize(
    image=image,
    predictions=result["extracted_predictions"],
    font_size=20,
    draw_width=5,
    show_labels=True,
)
vis.save("visualize.jpg")

3. Tutorials

We provide a series of tutorials to help you get started with Rex-Omni.

📄 License

Rex-Omni is licensed under the IDEA License 1.0, Copyright (c) IDEA. All Rights Reserved. This model is based on Qwen, which is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) Alibaba Cloud. All Rights Reserved.

🔗 Links

📧 Contact

For questions and feedback, please contact us at:

7. Citation

Rex-Omni comes from a series of prior works. If you’re interested, you can take a look.

@misc{jiang2025detectpointprediction,
      title={Detect Anything via Next Point Prediction}, 
      author={Qing Jiang and Junan Huo and Xingyu Chen and Yuda Xiong and Zhaoyang Zeng and Yihao Chen and Tianhe Ren and Junzhi Yu and Lei Zhang},
      year={2025},
      eprint={2510.12798},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.12798}, 
}

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
0e5693d

0 моделей