/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
20 мая 2026

GenEvolve

Изображение и текст → текст3 профессии

GenEvolve — мультимодальный агент на базе Qwen3-VL, который ищет визуальные референсы и составляет промпт-программу для генераторов изображений.

48скачиваний за 30 дней11лайковвеса обновлены22 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

GenEvolve — дообученная модель-политика MeiGen-AI на базе Qwen3-VL-8B-Instruct, предназначенная для работы как агент подготовки запросов к генераторам изображений. Она принимает текстовый запрос, использует инструменты поиска в интернете и по изображениям, а также обращения к базе знаний, после чего формирует программу из промпта генерации и ссылочных изображений для передачи генератору с поддержкой референсов. Модель сама изображения не генерирует.

GenEvolve рассчитана на сценарии, где для создания изображения требуется найти визуальные примеры, учесть внешние сведения или активировать знания о генерации. Одна и та же политика может работать с разными генераторами, включая Qwen-Image-Edit и Nano Banana Pro. Основа — мультимодальная плотная архитектура Qwen3-VL; контрольная точка распространяется в формате safetensors и использует библиотеку Transformers. Модель поддерживает английский язык и обработку изображений.

В README заявлены дообучение и самодистилляция по траекториям работы агента; в режиме вывода постоянная память не требуется. Результат зависит от подключённых поисковых инструментов, их доступности и качества, а также от downstream-генератора. В README модель позиционируется для исследований агентов генерации изображений. Лицензия — Apache-2.0.

Сценарии применения

  • подготовка промпта и референсных изображений для генератора с поддержкой референсов
  • поиск визуальных примеров для генерации изображения по текстовому запросу
  • составление запросов к генератору с учётом внешних фактов и визуальных сведений

Ограничения

Модель выдаёт программу промпта и ссылочных изображений, а не готовое изображение; для работы нужны подключённые поисковые инструменты и downstream-генератор. Фактическая обоснованность зависит от поискового сервиса, а его результаты и референсы могут отражать предубеждения открытого веба.

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

This repository hosts the GenEvolve agent policy — a Qwen3-VL-8B-Instruct backbone fine-tuned and self-evolved into a tool-orchestrated image-generation agent. Given a user request, the agent issues web/image searches, retrieves visual references, activates internal generation knowledge, and emits an executable prompt-reference program z = (gen_prompt, reference_images) that drives any reference-conditioned downstream generator (Qwen-Image-Edit, Nano Banana Pro, ...).


✨ Highlights

  • Tool-orchestrated trajectories. The agent calls search, image_search, and query_knowledge (8 callable generation skills) before producing a final program z = (gen_prompt, reference_images).
  • Self-evolution with Visual Experience Distillation. Best-vs-worst trajectory pairs are distilled token-level into the deployed student. No runtime memory at inference.
  • Generator-transferable. The same trained policy works with both an open-source generator (Qwen-Image-Edit-2511) and a strong proprietary generator (Nano Banana Pro).

📊 Headline Results

GenEvolve-Bench (KScore, held-out split)

MethodGeneratorKScoreKnowledge-Anch.Quality-Anch.
Qwen-Image (raw)Qwen-Image0.29870.23840.3768
Nano Banana Pro (raw)Nano Banana Pro0.52980.51600.5477
Gen-Searcher 8BQwen-Image-Edit-25110.34930.32930.3745
Gen-Searcher 8BNano Banana Pro0.54810.54720.5492
GenEvolve (Ours)Qwen-Image-Edit-25110.36630.34100.3990
GenEvolve (Ours)Nano Banana Pro0.57390.56690.5830

WISE Benchmark (WiScore, six knowledge categories)

ModelCulturalTimeSpaceBiologyPhysicsChemistryOverall
GPT-4o0.810.710.890.830.790.740.80
Gen-Searcher-8B + Qwen-Image0.800.710.820.760.740.750.77
Mind-Brush0.830.690.840.710.850.680.78
GenEvolve + Qwen-Image-Edit0.840.740.870.830.810.830.82

🧠 Method Overview

For a user request, the agent samples a multi-turn trajectory of tool calls before emitting the final prompt-reference program. The downstream generator then renders the image.


🖼️ Visual Demos

🎨 Gallery — paired with Nano Banana Pro

🎨 Gallery — paired with Qwen-Image-Edit (open)


🚀 Quick Start

The deployed checkpoint is the student policy — it consumes a user prompt and returns a JSON gen_prompt + reference_images program through a <think>/<tool_call>/<answer> loop. The end-to-end runtime (vLLM serving + agent loop + tools + Qwen/Nano renderers) lives in the GitHub repo; the snippet below mirrors its installation and usage.

1. Install the main GenEvolve runtime

git clone https://github.com/MeiGen-AI/GenEvolve.git
cd GenEvolve

conda create -n genevolve python=3.11 -y && conda activate genevolve
pip install -U pip setuptools wheel packaging psutil ninja
pip install torch==2.8.0 torchvision==0.23.0 --index-url https://download.pytorch.org/whl/cu128
pip install --no-build-isolation -r requirements.txt
pip install -e .

Qwen-Image-Edit rendering runs as a separate FastAPI service (kept out of the vLLM environment to avoid CUDA/diffusers conflicts). Set up that service from the GitHub README when you want to use --backend qwen-image-edit-service.

2. Serve the agent policy

# Single GPU / single replica.
MODEL_PATH=MeiGen-AI/GenEvolve PORT=8000 TP=1 DP=1 bash scripts/serve_vllm.sh

# Higher throughput on one 8-GPU node (8 replicas, 1 GPU each).
MODEL_PATH=MeiGen-AI/GenEvolve PORT=8000 TP=1 DP=8 bash scripts/serve_vllm.sh

TP shards one model replica across multiple GPUs; DP launches multiple replicas; total GPU usage is TP × DP.

3. End-to-end example

export SERPER_API_KEY=<your_key>      # required for search / image_search
export GOOGLE_API_KEY=<your_key>      # or GEMINI_API_KEY; only for --backend nano-banana-pro

# Nano Banana Pro renderer
python examples/quickstart.py \
    --backend nano-banana-pro \
    --base-url http://localhost:8000/v1 \
    --model GenEvolve \
    --prompt "A 1990s travel-magazine cover of two backpackers in front of the Eiffel Tower at golden hour, the title \"PARIS\" in bold serif." \
    --output paris.png

# Qwen-Image-Edit renderer (point at your Qwen-Image-Edit FastAPI service)
python examples/quickstart.py \
    --backend qwen-image-edit-service \
    --service-url http://your-qwen-service:8001 \
    --base-url http://localhost:8000/v1 \
    --model GenEvolve \
    --output paris_qwen.png

The agent's final <answer> is a JSON object:

{
  "gen_prompt": "...natural-language prompt that refers to images by 'the first reference image', ...",
  "reference_images": [
    {"img_id": "IMG_001", "note": "what to copy from this image"}
  ]
}

gen_prompt MUST refer to selected images using ordinal phrases ("the first reference image") — never raw IMG_### ids or URLs. Pass (gen_prompt, [r["local_path"] for r in reference_images]) to your favourite reference-conditioned generator (Qwen-Image-Edit, Nano Banana Pro, ...) to obtain the final image.


🗂️ Related Artifacts

ArtifactLink
Project pagehttps://ephemeral182.github.io/GenEvolve/
PaperComing soon
Codehttps://github.com/MeiGen-AI/GenEvolve
Training data + benchmarkMeiGen-AI/GenEvolve-Data-Bench
Base modelQwen/Qwen3-VL-8B-Instruct

⚖️ Intended Use, Limits, Bias

  • Intended use. Research on tool-using image-generation agents, agentic prompt-program synthesis, and self-distillation from generated outcomes.
  • Search dependency. The agent issues live web/image queries through user-provided tool wrappers. Quality of grounded facts depends on the search backend you plug in.
  • Bias. Tool outputs and reference images come from public web search, which carries demographic, cultural, and geographic biases that may be reflected in agent outputs.

📑 Citation

@misc{chen2026genevolveselfevolvingimagegeneration,
      title={GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation}, 
      author={Sixiang Chen and Zhaohu Xing and Tian Ye and Xinyu Geng and Yunlong Lin and Jianyu Lai and Xuanhua He and Fuxiang Zhai and Jialin Gao and Lei Zhu},
      year={2026},
      eprint={2605.21605},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2605.21605}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
b0f6799

0 моделей