/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-2B
Библиотека
transformers
Опубликована
26 ноя 2025

G2VLM-2B-MoT

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель Qwen для пространственного понимания изображений, рассуждений и предсказания 3D-геометрии.

64скачиваний за 30 дней8лайковвеса обновлены7 дек 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

InternRobotics G2VLM-2B-MoT — мультимодальная модель для понимания изображений и пространственных задач, объединяющая геометрическое восприятие для 3D-реконструкции с семантическим восприятием для мультимодального понимания и пространственных рассуждений. Для ответов на пространственные вопросы модель может предсказывать 3D-геометрию и чередовать её анализ с рассуждением на естественном языке.

Модель дообучена на Qwen/Qwen2-VL-2B и использует плотную архитектуру Qwen2-VL с общим мультимодальным self-attention в блоках трансформера. В репозитории указаны 1,5 млрд параметров, контекст 32 768 токенов и веса в формате safetensors. Модель предназначена для запросов по изображениям, пространственного понимания и 3D-реконструкции; метаданные также отмечают поддержку чата и изображений.

Карточка не описывает конкретные ограничения качества или сценарии отказа. Лицензия — Apache-2.0.

Сценарии применения

  • Ответы на пространственные вопросы по изображению
  • Восстановление 3D-геометрии сцены по визуальным данным
  • Рассуждения о взаимном расположении объектов
  • Мультимодальный диалог с анализом изображений

Ограничения

README не приводит оценок качества и не описывает конкретные ограничения; заявленные задачи следует проверять на данных целевого сценария.

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

G2VLM-2B-MoT

Geometry Grounded Vision Language Model with Unified 3D Reconstruction and Spatial Reasoning

We present G2VLM, a geometry grounded vision-language model proficient in both spatial 3D reconstruction and spatial understanding tasks. For spatial reasoning questions, G2VLM can natively predict 3D geometry and employ interleaved reasoning for an answer.

This repository hosts the model weights for G2VLM. For installation, usage instructions, and further documentation, please visit our GitHub repository.

🧠 Method

G2VLM is a unified model that integrates both a geometric perception expert for 3D reconstruction and a semantic perception expert for multimodal understanding and spatial reasoning tasks. All tokens can do shared multi-modal self attention in each transformer block.

License

G2VLM is licensed under the Apache 2.0 license.

✍️ Citation

@article{hu2025g2vlmgeometrygroundedvision,
      title={G$^2$VLM: Geometry Grounded Vision Language Model with Unified 3D Reconstruction and Spatial Reasoning}, 
      author={Wenbo Hu and Jingli Lin and Yilin Long and Yunlong Ran and Lihan Jiang and Yifan Wang and Chenming Zhu and Runsen Xu and Tai Wang and Jiangmiao Pang},
      year={2025},
      eprint={2511.21688},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2511.21688}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
4e75aa3

0 моделей