/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
29,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
12 мая 2026

AWARES-Qwen2.5-VL-7B

Изображение и текст → текст3 профессии

AWARES-Qwen2.5-VL-7B отвечает на вопросы по изображениям, запрашивая увеличенные фрагменты там, где для ответа нужны дополнительные детали.

143скачиваний за 30 дней2лайкавеса обновлены12 мая 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

AWARES-Qwen2.5-VL-7B — дообученная модель Kimhi на базе Qwen2.5-VL-7B-Instruct, предназначенная для ответов на вопросы по изображениям с адаптивным запросом дополнительных деталей. При получении изображения низкого разрешения и вопроса модель оценивает, достаточно ли ей информации; при необходимости она вызывает инструмент GET_CROPS, указывая один или несколько из девяти предопределённых участков для увеличения, а затем формирует ответ по исходному изображению и полученным фрагментам.

Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров, поддерживает чат и зрительный ввод, а её нативная длина контекста составляет 128 000 токенов. Обучение выполнено методом GRPO. Для полноценного сценария требуется обработать вызов GET_CROPS, извлечь указанные фрагменты изображения и передать их модели в следующем ходе; карточка указывает поддержку английского языка. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображениям низкого разрешения
  • уточнение мелких деталей на изображении с помощью увеличенных фрагментов
  • визуальный анализ изображений в многошаговом диалоге
  • оценка необходимости увеличения конкретных областей изображения

Ограничения

Для адаптивного увеличения необходимо реализовать обработку вызовов инструмента GET_CROPS, извлечение участков изображения и повторную передачу их модели. Выбор фрагментов ограничен девятью предопределёнными областями.

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

AWARES-Qwen2.5-VL-7B

Paper | Code

AWARES (Adaptive Resolution with Active REqueStingS) is a fine-tuned Qwen2.5-VL-7B-Instruct model trained with GRPO (Group Relative Policy Optimization) to intelligently request high-resolution image crops when needed to answer visual questions.

How It Works

Given a low-resolution image and a question, the model decides whether it needs more visual detail. If so, it emits a GET_CROPS tool call specifying which region(s) to zoom into. The high-res crops are then provided back, and the model produces its final answer.

Crop regions — the model can request any of 9 predefined crop indices:

CROPS_MAP = {
    '0': 'top-left', '1': 'top-right', '2': 'bottom-left', '3': 'bottom-right',
    '4': 'center', '5': 'top', '6': 'bottom', '7': 'left', '8': 'right',
}

Quick Start

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "Kimhi/AWARES-Qwen2.5-VL-7B", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("Kimhi/AWARES-Qwen2.5-VL-7B")

For full usage examples (multi-turn inference with GET_CROPS, crop extraction, etc.) and evaluation scripts, see the AwaRes repository.

Evaluation

We provide a custom lmms-eval model type (qwen2_5_vl_awares) that handles the full AWARES multi-turn pipeline automatically — including low-res input, GET_CROPS parsing, crop extraction, and second-turn generation with KV-cache reuse.

See the evaluation instructions in the AwaRes repository for setup and benchmarking details.

Training Details

  • Base model: Qwen2.5-VL-7B-Instruct
  • Training method: GRPO (Group Relative Policy Optimization) with LoRA, then merged
  • Reward signals: Text similarity, crop cost penalty, LLM-as-a-judge
  • Framework: Custom TRL fork + DeepSpeed ZeRO-2

Citation

@article{shabtay2026awares,
  title={Look Where It Matters: High-Resolution Crops Retrieval for Efficient VLMs},
  author={Shabtay, Nimrod and Kimhi, Moshe and Spector, Artem and Haray, Sivan and Rivlin, Ehud and Baskin, Chaim and Giryes, Raja and Schwartz, Eli},
  journal={arXiv preprint arXiv:2603.16932},
  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
Qwen2_5_VLForConditionalGeneration
Ревизия весов
4c4c1a0

0 моделей