/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
11 мар 2025

MMR1-Math-v0-7B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL для решения математических и логических задач по изображениям и тексту.

463скачиваний за 30 дней6лайковвеса обновлены26 сен 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

MMR1-Math-v0-7B — мультимодальная модель для математических задач, разработанная авторами проекта MMR1 и дообученная на базе Qwen2.5-VL-7B-Instruct. Она принимает изображения и текст и формирует текстовые ответы, рассуждая над задачами, представленными в визуальной или текстовой форме. Модель предназначена для математического и логического анализа изображений и задач с визуальными данными.

Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 000 токенов. В README описано обучение с GRPO на 6 тысячах отобранных примеров и приведены результаты оценки на MathVista, MathVision, LogicVista и MathVerse. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

  • решение математических задач по фотографиям и скриншотам
  • ответы на вопросы по графикам и диаграммам
  • визуальный разбор геометрических задач
  • анализ логических задач с изображениями

Ограничения

Оценка в README охватывает математические и логические бенчмарки, поэтому результаты не подтверждают качество на широком круге задач. Языковая поддержка, кроме английского, не заявлена.

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

📰 News

  • [2025.03.11] 🔥🔥 Release MMR1-Math-v0, achieving SOTA with only 6k data!

Links

Code: https://github.com/LengSicong/MMR1

Model Description

MMR1-Math-v0-7B is a Large Multimodal Model specialized in mathematical tasks. Remarkably, MMR1-Math-v0-7B achieves state-of-the-art performance among open-source 7B multimodal models, competing effectively even against proprietary models with significantly larger parameter sizes—all trained using only 6k carefully curated data instances.

Key Highlights:

  • SOTA Performance: Sets a new state-of-the-art benchmark on math-related multimodal tasks among open-source 7B models.

  • Minimal Training Data: Remarkably achieves top-tier performance with just 6k high-quality samples from public training datasets.

  • Efficient Training with GRPO: 6 hours of RL training with 64 H100s for 15 epochs.

  • Public and High-Quality Data: Publicly sourced datasets, rigorously filtered and balanced across both difficulty and mathematical problem types.

  • Balanced Data Strategy: Uniform sampling of data based on both task difficulty (filtering out overly simple problems) and mathematical reasoning diversity.

Evaluation Results

We evaluated our model using VLMEvalKit on four mathematical reasoning benchmarks: MathVista_MINI, MathVision, LogicVista, and MathVerse_MINI.

We also include results on the MathVerse_MINI_Vision_Only_cot (MathVerse_V) subset to maintain consistency with the VLMEvalKit leaderboard. The table below compares our model's performance against various open-source and proprietary models.

ModelsizeMathVistaMathVisionLogicVistaMathVerseMathVerse_V
Close-sourced
GPT-4o 1120-60.031.252.840.6-
Gemini-2.0-flash-70.443.652.347.8-
Claude3.7-Sonnet-66.841.958.246.7-
R1-related
LLaVA-CoT11B52.519.939.622.6-
Open-R1-Multimodal7B60.6----
Mulberry7B63.1----
LMM-R13B63.226.4--41.6
R1-Onevision7B-26.2--44.1
MM-Eureka8B67.122.2--40.4
MM-Eureka38B64.226.6--48.9
Open-sourced
Ovis2-8b8B71.825.939.442.3-
MiniCPM-o-2.68B71.921.736.035.0-
Qwen2.5-VL (official)7B68.225.447.941.1-
Qwen2.5-VL (reproduced)7B67.525.646.842.546.9
Ours
MMR1-math-v07B71.030.250.845.149.8

Quick Start

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
# default: Load the model on the available device(s)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "MMR1/MMR1-Math-v0-7B", 
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto",
)
# default processer
processor = AutoProcessor.from_pretrained("MMR1/MMR1-Math-v0-7B")
# Example input
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "path/to/image.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]
# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)
# Sample messages for batch inference
messages1 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image1.jpg"},
            {"type": "image", "image": "file:///path/to/image2.jpg"},
            {"type": "text", "text": "What are the common elements in these pictures?"},
        ],
    }
]
messages2 = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Who are you?"},
]
# Combine messages for batch processing
messages = [messages1, messages2]
# Preparation for batch inference
texts = [
    processor.apply_chat_template(msg, tokenize=False, add_generation_prompt=True)
    for msg in messages
]
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=texts,
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")
# Batch Inference
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_texts = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_texts)

Citation

If you find MMR1 useful for your research and applications, please cite using this BibTeX:

@misc{MMR1-Math2025,
  title={MMR1: Advancing the Frontiers of Multimodal Reasoning},
  author={Sicong Leng*, Jing Wang*, Jiaxi Li*, Hao Zhang*, Zhiqiang Hu, Boqiang Zhang, Hang Zhang, Yuming Jiang, Xin Li, Fan Wang, Yu Rong, Aixin Sun†, Shijian Lu†},
  year={2025},
  howpublished={\url{https://github.com/LengSicong/MMR1}},
}

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
f0eeec5

0 моделей