/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Опубликована
29 сен 2026

FaithEyes-8B-RL

Изображение и текст → текст

Мультимодальная модель Qwen3-VL, дообученная для решения визуальных вопросов с помощью инструментов и самопроверки полезности промежуточных изображений.

220скачиваний 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-8B-RL — мультимодальная модель семейства Qwen3-VL, разработанная Haoqing Wang, Xingrun Xing, Ziheng Li, Jianyuan Guo и Yehui Tang. Это финальный чекпойнт обучения с подкреплением GRPO, полученный дообучением FaithEyes-8B-SFT на базе Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для визуальных вопросов, где требуется анализировать изображение и вызывать инструменты, в том числе исполнять код для обработки фрагментов изображения.

В системе одна VLM играет роль основного агента, отвечающего на вопрос, и субагента, который оценивает полезность полученных промежуточных изображений. Оценки субагента передаются основному агенту и участвуют в вознаграждении за вызовы инструментов, чтобы поощрять полезные действия и снижать число неудачных или бесполезных вызовов. По карточке модели, отдельная внешняя модель для этой проверки при использовании не требуется. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

Карточка сообщает об улучшении результатов FaithEyes на MathVision и MathVista после этапа RL, но не приводит численных оценок. Модель ориентирована на сценарии с визуальными инструментами и не описана как универсальная система для произвольных задач; качество за пределами приведённых в карточке оценок не установлено.

Сценарии применения

  • ответы на вопросы по изображениям с помощью инструментов
  • поиск и анализ нужного фрагмента изображения
  • визуальное решение математических задач
  • самопроверка полезности промежуточных изображений при рассуждении

Ограничения

Карточка не приводит численных результатов бенчмарков и не уточняет качество на задачах вне визуального рассуждения и работы с инструментами. Сценарий использования предполагает выполнение инструментальных вызовов, включая кодовые операции.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FaithEyes-8B-RL

This is the final reinforcement-learning (RL) checkpoint of FaithEyes on the Qwen3-VL-8B initialization, obtained by running GRPO on top of the FaithEyes-8B-SFT cold-start model, with the base model Qwen3-VL-8B-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 on the stronger Qwen3-VL-8B initialization. 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).

For the 8B model, the RL stage also largely repairs the MathVision drop introduced during SFT and pushes MathVista beyond both the SFT model and the base model. 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 Qwen3-VL-8B-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
Qwen3VLForConditionalGeneration
Ревизия весов
1fd525d

0 моделей