/ 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
26 сен 2026

qwen2.5-vl-3b-mllmu-retain95

Изображение и текст → текст3 профессии

Мультимодальное дообучение Qwen2.5-VL-3B для экспериментов по машинному забыванию сведений о выбранных профилях.

174скачиваний 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

Lordvarun23/qwen2.5-vl-3b-mllmu-retain95 — мультимодальная модель на архитектуре Qwen2.5-VL, разработанная на основе Qwen/Qwen2.5-VL-3B-Instruct. Это полноразмерное дообучение для экспериментов по машинному забыванию: модель обучали на 7 798 примерах «изображение и вопрос — ответ», относящихся только к 475 профилям retain_95 из набора MLLMU-Bench. Обновлялись языковая модель, визуальный модуль ViT и объединяющий модуль.

Модель принимает изображение вместе с текстовым запросом и выдаёт текстовый ответ. Она предназначена для изучения того, как удалять из модели сведения о заданных профилях, сохраняя ответы о других профилях и общие знания. В описанной оценке модель снизила точность ответов о профилях forget_5 по сравнению с обычным дообучением и сохранила результаты на retain_95; оценка проводилась на одном seed и одном чекпойнте. Размер — 3,1 млрд параметров, контекст — до 128 000 токенов. Карточка указывает английский язык. Лицензия — Qwen Research License базовой модели.

Это исследовательский артефакт, а не средство идентификации людей или получения достоверных биографических сведений: профили MLLMU-Bench вымышлены, и модель может уверенно приписывать лицам вымышленные факты.

Сценарии применения

  • изучение машинного забывания в мультимодальных моделях
  • сравнение сохранения знаний о профилях после selective unlearning
  • оценка ответов на вопросы по изображениям лиц вымышленных персонажей

Ограничения

Модель может уверенно сообщать вымышленные биографические сведения по изображениям лиц; её нельзя использовать для идентификации реальных людей или достоверных ответов о них. Результаты основаны на одном seed 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 retain_95 only (retain-only reference model)

The gold-standard reference for unlearning: the same recipe as qwen2.5-vl-3b-mllmu-ft, but trained only on the 475 retain_95 profiles. It has never seen the 25 forget_5 profiles, so its forget_5 score is what a perfectly unlearned model should reach. Its forget_5 judge accuracy is not 0, because some questions can be guessed from the image or from common answers.

This model is only an evaluation reference. It is not used as the NPO reference model: that would require retraining on retain data, which unlearning is meant to avoid.

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 the 475 retain_95 profiles only (7,798 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 (4,880 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.

Usage

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

repo = "Lordvarun23/qwen2.5-vl-3b-mllmu-retain95"
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
1f1c7ae

0 моделей