/ 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
Опубликована
29 сен 2026

FaithEyes-7B-RL

Изображение и текст → текст

FaithEyes-7B-RL — дообученная мультимодальная модель Qwen для ответов на вопросы по изображениям с проверкой полезности вызовов визуальных инструментов.

231скачиваний за 30 дней0лайковвеса обновлены5 окт 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

FaithEyes-7B-RL — мультимодальная модель для работы с изображениями, разработанная Haoqing Wang, Xingrun Xing, Ziheng Li, Jianyuan Guo и Yehui Tang. Это финальный чекпойнт проекта FaithEyes, описанного в исследовательской статье о достоверном использовании инструментов визуально-языковыми агентами. Модель основана на Qwen2.5-VL-7B-Instruct и дообучена методом GRPO поверх FaithEyes-7B-SFT; архитектура Qwen2.5-VL плотная, содержит 7,1 млрд параметров, принимает изображения и текст, а контекст составляет 128 000 токенов.

Модель отвечает на визуальные вопросы, чередуя рассуждения с исполняемыми вызовами инструментов на основе кода. Она сама оценивает, помогает ли созданное промежуточное изображение, например фрагмент или обрезка, ответить на вопрос, и использует эту оценку для управления дальнейшей работой и вознаграждения полезных вызовов. Такой подход нацелен на более уместное и точное применение инструментов; для самопроверки отдельная модель не требуется. В README описаны обучающие механизмы и целевые свойства, но не приведены количественные результаты оценки качества. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображениям с помощью визуальных инструментов
  • поиск и анализ нужного объекта на изображении
  • создание фрагментов изображения для проверки визуальной гипотезы
  • самопроверка полезности промежуточных изображений при визуальном рассуждении

Ограничения

Описание не приводит количественных результатов тестирования и не уточняет поддерживаемые инструменты или требования к их окружению. Заявления о достоверности использования инструментов описывают цель обучения, а не гарантию правильности каждого ответа или вызова.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FaithEyes-7B-RL

This is the final reinforcement-learning (RL) checkpoint of FaithEyes, the main model reported in the paper. It is obtained by running GRPO on top of the FaithEyes-7B-SFT cold-start model, with the base model Qwen2.5-VL-7B-Instruct.

FaithEyes: Towards Faithful Tool Use via Multi-Agent Process-Image Self-Verification

Haoqing Wang, Xingrun Xing, Ziheng Li, Jianyuan Guo, Yehui Tang


📖 Model Description

FaithEyes is a multi-agent self-judging framework for agentic vision-language models (VLMs). A single VLM plays two roles: a main agent that solves the visual question by interleaving reasoning with executable code-based tool calls, and a subagent that judges whether each process image (e.g. a crop) produced by the main agent is helpful for answering the question. The verdict {"is_helpful": true/false, "reasons": ...} is both injected into the tool observation to steer subsequent reasoning and used to scale the tool reward by the helpful-tool ratio, suppressing reward hacking.

This is the final RL checkpoint and the primary model of the paper. The RL stage (GRPO) is what drives the model from merely imitating demonstrations to autonomously producing faithful tool calls — i.e. calls that genuinely capture the queried target — rather than decorative ones. It combines four reward terms: accuracy, format, consistency, and a faithfulness-targeting tool reward $r_{\mathrm{tool}} = 1 - (n_{\mathrm{fail}} + n_{\mathrm{unhelpful}}) / n_{\mathrm{tool}}$ that scales the bonus by the helpful-tool ratio. Crucially, the tool reward is accuracy-independent: it always credits an executable and helpful call and always penalizes a failed one, which keeps both the code-failure ratio and tool usage stable throughout training (an accuracy-gated variant degenerates into tool avoidance).

The self-judging subagent is instantiated by the model itself (under a separate prompt), so the judgement is available at inference with no external model dependency, keeping train–test consistency.

📚 Citation

If you find this work useful, please consider citing:

@article{wang2026faitheyes,
  title={FaithEyes: Towards Faithful Tool Use via Multi-Agent Process-Image Verification},
  author={Wang, Haoqing and Xing, Xingrun and Xia, Wei and Li, Ziheng and Tang, Yehui},
  journal={arXiv preprint arXiv:2607.28225},
  year={2026}
}

🙏 Acknowledgements

This model is trained on top of Qwen2.5-VL-7B-Instruct. The training framework builds on verl, DeepEyes, Thyme, ms_swift, and VLMEvalKit.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
4467fb7

0 моделей