/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
28 авг 2026

Code-as-World-VL-4B

Компьютерное зрение3 профессии

Мультимодальная модель Qwen3.5, дообученная для понимания физических процессов и количественных рассуждений по видео.

371скачиваний за 30 дней6лайковвеса обновлены20 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

Code-as-World-VL-4B — мультимодальная модель MirroS-Lab, дообученная на базе Qwen/Qwen3.5-4B для понимания физических процессов и количественных рассуждений по видео. Она принимает видео и текстовые запросы; для видео автор рекомендует использовать 16 кадров. Модель основана на плотной архитектуре Qwen3.5 с 4 млрд параметров и представлена в формате BF16 Safetensors для Transformers.

Модель предназначена для исследовательских задач, связанных с анализом физических явлений, измерениями и оценками величин по изображениям и видео. Её можно применять, например, для вопросов о движении объектов и количественных характеристиках сцены. Ответы могут быть неточными, поэтому их следует проверять независимо, особенно перед использованием в сценариях, критичных для безопасности. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о физических процессах в видео
  • оценка движения объектов по видеокадрам
  • измерение и сравнение величин в сцене
  • количественный анализ последовательности кадров

Ограничения

Ответы модели могут быть неточными и требуют независимой проверки, особенно в сценариях, критичных для безопасности. Для видео автор рекомендует подавать 16 кадров.

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

Code-as-World-VL-4B

Code-as-World-VL-4B (https://arxiv.org/abs/2608.27549) is a vision-language model fine-tuned for physical understanding and quantitative reasoning over videos.

Project page: https://mirros-lab.github.io/code-as-world
GitHub: https://github.com/mirros-lab/code-as-world

Model details

  • Base model: Qwen/Qwen3.5-4B
  • Weight format: BF16 Safetensors checkpoint
  • Recommended video input: 16 frames

Usage

The checkpoint can be served with vLLM:

pip install "vllm==0.19.1" "transformers==5.11.0" qwen-vl-utils

vllm serve MirroS-Lab/Code-as-World-VL-4B \
  --served-model-name code-as-world-4b \
  --max-model-len 4608 \
  --gpu-memory-utilization 0.90 \
  --media-io-kwargs '{"video":{"num_frames":16,"fps":-1,"video_backend":"openpangu"}}' \
  --mm-processor-kwargs '{"do_sample_frames":false}' \
  --mm-processor-cache-gb 0 \
  --generation-config vllm

The server exposes an OpenAI-compatible API at /v1.

Intended use

This model is intended for research on physical understanding, measurement, and quantitative reasoning from images and videos. Model outputs may be inaccurate and should be independently verified before use in safety-critical settings.

License

This checkpoint is released under the Apache License 2.0. It is derived from Qwen/Qwen3.5-4B; users must also comply with the terms applicable to the base model and their input data.

Citation

@article{mirros2026codeasworld,
  title   = {Code as Worlds: Agentic Discovery of Executable World Representations for Physical Reasoning},
  author  = {{MirroS Team}},
  journal = {arXiv preprint arXiv:2608.27549},
  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
Qwen3_5ForConditionalGeneration
Ревизия весов
e40376e

0 моделей