/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Опубликована
29 сен 2026

FaithEyes-8B-SFT

Изображение и текст → текст

FaithEyes-8B-SFT — дообученная на Qwen3-VL-8B-Instruct мультимодальная модель для визуальных вопросов с применением Python-инструментов и оценки полезности промежуточных изображений.

221скачиваний 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-SFT — экспериментальный этап supervised fine-tuning модели FaithEyes, разработанный Haoqing Wang, Xingrun Xing, Ziheng Li, Jianyuan Guo и Yehui Tang на основе Qwen/Qwen3-VL-8B-Instruct. Это мультимодальная модель семейства Qwen3-VL с 8 млрд параметров для диалога по изображениям и агентных сценариев визуального рассуждения.

Модель обучена работать в двух ролях: решать визуальные вопросы с помощью исполняемых Python-инструментов для обрезки, увеличения, поворота и коррекции изображения, а также оценивать, помогает ли промежуточное изображение ответить на вопрос, выдавая вердикт в формате JSON. Она может учитывать такую оценку в дальнейшем рассуждении. Это SFT-этап конвейера SFT + RL: по описанию авторов, он имитирует демонстрации, но ещё не умеет автономно надёжно различать полезные и бесполезные вызовы инструментов.

Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Показатели длины контекста и перечень поддерживаемых языков, кроме английского языка, в предоставленных данных отсутствуют.

Сценарии применения

  • ответы на вопросы по изображениям с обрезкой и увеличением фрагментов
  • визуальное рассуждение с обработкой изображения через Python
  • оценка полезности промежуточного изображения или фрагмента
  • выдача JSON-вердикта о полезности результата инструмента
  • исследование агентного использования инструментов в задачах компьютерного зрения

Ограничения

Этот SFT-чекпойнт имитирует обучающие демонстрации и, по словам авторов, ещё не способен автономно различать полезные и бесполезные вызовы инструментов. Поддержка языков, кроме английского, не подтверждена предоставленными данными.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FaithEyes-8B-SFT

This is the cold-start supervised-fine-tuning (SFT) checkpoint of FaithEyes, trained from Qwen3-VL-8B-Instruct. It is the first stage of the two-stage SFT + RL pipeline in the FaithEyes framework.

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 checkpoint is the SFT cold-start model. It equips Qwen3-VL-8B-Instruct with three capabilities prior to reinforcement learning:

  1. Code-based tool use — writing executable Python for image manipulation (cropping, zooming, rotation, contrast adjustment, arithmetic).
  2. Faithfulness judging — judging whether a process image helps answer the question and emitting the verdict as a JSON line.
  3. Feedback-driven reasoning — conditioning subsequent reasoning on the subagent's judgement rather than ignoring it.

The main agent and subagent share the same VLM and are trained jointly in this single stage, differing only in their system/user prompts. As reported in the paper, the SFT model merely imitates demonstrations without autonomously discriminating helpful from unhelpful tool calls; the RL checkpoint adds that discrimination ability.

📚 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
097238e

0 моделей