/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
25 сен 2026

qwen2.5-vl-3b-mllmu-ft

Изображение и текст → текст3 профессии

Мультимодальная Qwen2.5-VL-3B, дообученная на MLLMU-Bench как исходная модель для экспериментов по машинному забыванию вымышленных биографических сведений.

533скачиваний за 30 дней0лайковвеса обновлены26 сен 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

Это мультимодальная модель Qwen2.5-VL-3B, разработанная на базе Qwen/Qwen2.5-VL-3B-Instruct и полностью дообученная на наборе MLLMU-Bench. Она предназначена как исходная контрольная точка для экспериментов по машинному забыванию: модель усвоила вымышленные биографические сведения о 500 людях из бенчмарка, чтобы исследователи могли оценивать методы их удаления. Модель принимает изображения вместе с текстовыми вопросами и формирует текстовые ответы; архитектура включает языковую модель, зрительный модуль ViT и объединяющий модуль. Размер — 3,1 млрд параметров, контекст — до 128 000 токенов.

В бенчмарке дообучение повысило точность ответов о профилях forget_5 и retain_95, но ухудшило ответы о реальных знаменитостях относительно базовой модели. Модель уверенно сообщает вымышленные биографические факты по изображениям, поэтому она подходит для исследования машинного забывания, а не для идентификации людей или достоверных биографических ответов. Результаты получены на одном запуске и одном чекпойнте. Лицензия — Qwen Research License базовой модели.

Сценарии применения

  • оценка методов удаления выученных биографических сведений
  • сравнение ответов модели до и после машинного забывания
  • исследование запоминания фактов из изображений и вопросов
  • воспроизведение экспериментов на бенчмарке MLLMU-Bench

Ограничения

Модель может уверенно сообщать вымышленные биографические сведения о лицах из бенчмарка; не используйте её для идентификации людей или достоверных фактов о них. Результаты основаны на одном запуске и одном чекпойнте.

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

Qwen2.5-VL-3B finetuned on MLLMU-Bench (all 500 profiles)

The starting model for unlearning experiments: Qwen/Qwen2.5-VL-3B-Instruct fully finetuned on every fictitious profile in MLLMU-Bench, so it has learned the facts that the unlearning methods then try to remove. The unlearned models graddiff-forget5, npo-forget5, klmin-forget5 and manu-forget5 start from this model, and retain95 is its retain-only counterpart.

Data

MLLMU-Bench contains 500 fictitious people. Each has a face image and 15-20 image-grounded QA pairs plus one biography answer (ft_Data). The benchmark splits the profiles into forget_5 (25 profiles) and retain_95 (475 profiles). Retain_Set holds 153 real celebrities and is used only to measure general knowledge (utility).

Training

HyperparameterValue
Base modelQwen/Qwen2.5-VL-3B-Instruct
Training dataft_Data QA pairs of all 500 profiles (8,204 examples: image + question -> answer)
Trainable parametersFull finetune: language model, vision tower (ViT) and merger
LossCross-entropy on answer tokens only (prompt/image tokens masked)
OptimizerAdamW, weight decay 0.0
Learning rate2e-5, cosine schedule, 3% linear warmup
Epochs10 (5,130 steps)
Batch size16 (single GPU, no gradient accumulation)
Grad clip1.0 (max norm)
Precisionbf16, SDPA attention, gradient checkpointing
Image resolutionmin 128x28x28, max 256x28x28 pixels
Seed42
Hardware1x NVIDIA B200

Evaluation

  • Task: MLLMU-Bench Generation_Task, 4 open-ended questions per profile (2 Image_Textual + 2 Pure_Text). Every question is asked together with the profile image. Split sizes: forget_5 = 100 questions, retain_95 = 1900, Retain_Set = 612.
  • Decoding: vLLM, greedy, max 128 new tokens, default Qwen system prompt, images resized to 128-256 x 28x28 pixels.
  • ROUGE: rouge_score with stemming, generation vs ground truth (ROUGE-L F1 reported).
  • LLM judge: Qwen/Qwen2.5-7B-Instruct, binary per answer: 1 = the answer contains the ground-truth fact or a semantically equivalent one, 0 = wrong, missing, partial or merely similar (e.g. a different city or salary). Judge accuracy is the mean over questions.

Goal of unlearning: forget_5 ↓ (toward the retain-only model), with retain_95 and Retain_Set close to the finetuned model.

Modelforget_5 ROUGE-Lforget_5 judge ↓retain_95 ROUGE-Lretain_95 judge ↑Retain_Set ROUGE-LRetain_Set judge ↑
Qwen2.5-VL-3B-Instruct (base)0.3530.0300.3630.0210.4110.306
qwen2.5-vl-3b-mllmu-ft0.6990.4900.7270.6340.4870.199
qwen2.5-vl-3b-mllmu-retain950.6100.1300.7360.6620.4960.209
qwen2.5-vl-3b-mllmu-graddiff-forget50.6180.2400.6640.4510.4760.175
qwen2.5-vl-3b-mllmu-npo-forget50.6460.3600.6790.5330.4730.191
qwen2.5-vl-3b-mllmu-klmin-forget50.6430.3200.6880.5210.4800.175
qwen2.5-vl-3b-mllmu-manu-forget50.6280.2900.6790.4650.4700.145

The row in bold is this model. forget_5 has only 100 questions, so judge-accuracy differences below about 0.05 are within noise.

Finetuning raises forget_5 / retain_95 judge accuracy from about 0.03 (base) to 0.49 / 0.63. Real-celebrity knowledge (Retain_Set) drops from 0.31 to 0.20, a side effect of finetuning. Unlearned models should be compared against this model's 0.20, not the base model's 0.31.

Usage

import torch
from PIL import Image
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration

repo = "Lordvarun23/qwen2.5-vl-3b-mllmu-ft"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(repo, torch_dtype=torch.bfloat16, device_map="auto")
processor = AutoProcessor.from_pretrained(repo)

messages = [{"role": "user", "content": [{"type": "image"}, {"type": "text", "text": "What is the name of this person?"}]}]
prompt = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(text=[prompt], images=[Image.open("face.jpg")], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=128, do_sample=False)
print(processor.batch_decode(out[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0])

Limitations

  • Research artifact for studying machine unlearning. The people in MLLMU-Bench are fictitious, and this model will state made-up biographical facts about faces with confidence. Do not use it to identify real people or for factual answers about them.
  • Results come from a single seed and one checkpoint, without a hyperparameter search beyond the one described.
  • Released under the base model's Qwen Research License.

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
70c5e5d

0 моделей