/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
8 дек 2025

JarvisArt-1208

Изображение и текст → текст3 профессии

JarvisArt-1208 — мультимодальная модель-агент на базе Qwen2.5-VL для ретуши фотографий по текстовым инструкциям и выделенным областям.

86скачиваний за 30 дней4лайкавеса обновлены8 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

JarvisArt-1208 — мультимодальная языковая модель и агент для интеллектуальной ретуши фотографий, разработанный исследователями из нескольких университетов и ByteDance. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов.

JarvisArt предназначена для редактирования фотографий по свободным текстовым запросам и ограничивающим рамкам: от глобальной коррекции сцены до локальной обработки выбранных областей. Агент интерпретирует намерение пользователя и координирует более 200 инструментов Adobe Lightroom. Для обучения применялась двухэтапная схема: supervised fine-tuning с цепочками рассуждений и GRPO-R для улучшения решений и работы с инструментами. Авторы сообщают о датасете MMArt из 55 тысяч примеров и бенчмарке MMArt-Bench.

Модель ориентирована на творческую фоторетушь и взаимодействие с инструментами, а не на универсальный диалог. Практическая работа агента зависит от доступности интеграции с Adobe Lightroom и его инструментов. В README не приведены условия лицензии; их следует проверить в карточке модели перед использованием.

Сценарии применения

  • Ретушь фотографии по текстовому запросу
  • Глобальная коррекция освещения и цвета сцены
  • Локальная обработка области, заданной ограничивающей рамкой
  • Автоматизация редактирования фотографий через инструменты Adobe Lightroom

Ограничения

Для выполнения редактирования агент полагается на инструменты Adobe Lightroom и соответствующую интеграцию. Условия лицензии в предоставленных данных не указаны.

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

JarvisArt: Liberating Human Artistic Creativity via an Intelligent Photo Retouching Agent


📝 Overview

JarvisArt is a multi-modal large language model (MLLM)-driven agent for intelligent photo retouching. It is designed to liberate human creativity by understanding user intent, mimicking the reasoning of professional artists, and coordinating over 200 tools in Adobe Lightroom. JarvisArt utilizes a novel two-stage training framework, starting with Chain-of-Thought supervised fine-tuning for foundational reasoning, followed by Group Relative Policy Optimization for Retouching (GRPO-R) to enhance its decision-making and tool proficiency. Supported by the newly created MMArt dataset (55K samples) and MMArt-Bench, JarvisArt demonstrates superior performance, outperforming GPT-4o with a 60% improvement in pixel-level metrics for content fidelity while maintaining comparable instruction-following capabilities.


🎬 Demo Videos

Global Retouching Case

Local Retouching Case

📚 Citation

If you find JarvisArt useful in your research, please consider citing:

@article{jarvisart2025,
title={JarvisArt: Liberating Human Artistic Creativity via an Intelligent Photo Retouching Agent}, 
      author={Yunlong Lin and Zixu Lin and Kunjie Lin and Jinbin Bai and Panwang Pan and Chenxin Li and Haoyu Chen and Zhongdao Wang and Xinghao Ding and Wenbo Li and Shuicheng Yan},
      year={2025},
      journal={arXiv preprint arXiv:2506.17612}
}

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
be67846

0 моделей