/ Модель

Характеристики

Контекст
12 800 токенов
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
25 мар 2026

SpatialStack-Qwen3.5-4B

Изображение и текст → текст3 профессии

Мультимодальная модель на основе Qwen3.5-4B, дополненная геометрическим энкодером для пространственных рассуждений по изображениям.

196скачиваний за 30 дней0лайковвеса обновлены10 апр 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

SpatialStack-Qwen3.5-4B — мультимодальная модель для пространственных рассуждений по изображениям, разработанная проектом SpatialStack и представленная как работа для CVPR 2026. Она дообучена на основе Qwen/Qwen3.5-4B и расширяет её параллельным геометрическим потоком VGGT-1B.

Механизм layered geometry-language fusion проецирует геометрические признаки слоёв энкодера 11, 17 и 23 в слои декодера 0, 1 и 2, чтобы объединять локальную структуру и пространственный контекст с языковыми признаками. Модель предназначена для понимания изображений и 3D-пространственных задач; в README приведены результаты на VSI-Bench и CV-Bench. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Для работы требуется отдельный геометрический энкодер VGGT-1B вместе с мультимодальной базовой моделью. Модель оптимизирована для бенчмарков пространственного рассуждения, а не для общего мультимодального диалога; её не проверяли для задач, критичных к безопасности, робототехники и принятия решений в реальном мире.

Сценарии применения

  • ответы на вопросы о пространственных отношениях на изображении
  • оценка геометрической структуры сцены
  • решение задач 3D-визуального рассуждения
  • оценивание изображений по VSI-Bench и CV-Bench

Ограничения

Для работы требуется отдельный энкодер VGGT-1B. Модель ориентирована на пространственные бенчмарки и не проверена для робототехники, задач с критичными последствиями или принятия решений в реальном мире.

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

🌐 SpatialStack-Qwen3.5-4B

Layered Geometry-Language Fusion for 3D VLM Spatial Reasoning

CVPR 2026

         


📋 Overview

SpatialStack-Qwen3.5-4B is a geometry-augmented vision-language model designed for 3D spatial reasoning. It extends Qwen3.5-4B with a parallel VGGT-1B geometry stream, using a novel layered geometry-language fusion mechanism that progressively aligns multi-level geometric and language features across model layers.

Geometry features from encoder layers [11, 17, 23] are projected and injected into decoder layers [0, 1, 2], preserving both fine local structure and higher-level spatial context.

🏗️ Architecture

📊 Benchmark Results

BenchmarkMetricScore
VSI-BenchAverage67.5
CV-BenchAverage85.5
CV-Bench3D92.2

Results from the SpatialStack project page and paper.

🚀 Quick Start

Installation

git clone https://github.com/jzh15/SpatialStack.git
cd SpatialStack
pip install -e . --no-deps

For full environment setup (PyTorch, flash_attn, Qwen3.5 dependencies), see the repo README.

Single-Image Inference

python scripts/inference/infer.py \
  --model-path Journey9ni/SpatialStack-Qwen3.5-4B \
  --image assets/sofas.jpg \
  --prompt "Describe this scene in a few complete sentences." \
  --disable-thinking \
  --max-new-tokens 128

VSI-Bench Evaluation

MODEL_PATH=Journey9ni/SpatialStack-Qwen3.5-4B \
MODEL_IMPL=qwen3_5 \
MODEL_ARGS_BASE="pretrained=Journey9ni/SpatialStack-Qwen3.5-4B,use_flash_attention_2=true,max_num_frames=32,max_length=12800,geometry_encoder_path=facebook/VGGT-1B,disable_thinking=true" \
OUTPUT_ROOT=logs/eval/spatialstack_qwen35_4b \
BENCHMARKS="vsibench" \
bash scripts/evaluation/eval.sh

⚠️ Limitations

  • Requires a separate geometry encoder (VGGT-1B) alongside the vision-language backbone.
  • Optimized for spatial reasoning benchmarks; not intended for general-purpose multimodal chat.
  • Not validated for safety-critical use, robotics deployment, or real-world decision making.

📝 Citation

@article{zhang2026spatialstack,
  title={SpatialStack: Layered Geometry-Language Fusion for 3D VLM Spatial Reasoning},
  author={Zhang, Jiang and Zhou, Shijie and Liu, Bangya and Kadambi, Achuta and Fan, Zhiwen},
  journal={arXiv preprint arXiv:2603.27437},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGenerationWithGeometry
Ревизия весов
777b228

0 моделей