/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
32 млрд
Размер весов
66,9 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-32B-Instruct
Библиотека
transformers
Опубликована
25 мая 2025

Orsta-32B-0326

Изображение и текст → текст9 профессий

Мультимодальная модель на базе Qwen2.5-VL-32B для визуального рассуждения, распознавания объектов и извлечения информации из изображений.

25скачиваний за 30 дней9лайковвеса обновлены4 июн 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

Orsta-32B-0326 — мультимодальная модель для анализа изображений, созданная командой MiniMax-AI путём постобучения Qwen2.5-VL-32B-Instruct с помощью системы обучения с подкреплением V-Triune. Модель принимает изображения и текстовые запросы и предназначена для совместного решения задач визуального рассуждения и распознавания. В карточке заявлены задачи по математике, научным вопросам, графикам и головоломкам, а также обнаружению объектов, визуальной локализации, OCR и подсчёту объектов.

Модель основана на плотной архитектуре Qwen2.5-VL, содержит 32 млрд параметров и имеет контекст длиной до 128 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; заявлена поддержка диалога и зрения. Карточка приводит сравнительные результаты на нескольких бенчмарках, но не даёт здесь полного набора таблицы и подробной методики оценки. Лицензия — MIT.

Сценарии применения

  • решение математических задач по изображению
  • ответы на научные вопросы по визуальным материалам
  • понимание графиков и диаграмм
  • распознавание текста на изображениях
  • обнаружение и подсчёт объектов
  • поиск и локализация объектов по текстовому запросу
  • решение визуальных головоломок

Ограничения

Перечисленные возможности и результаты приведены в карточке модели; подробности методики оценки и полный набор результатов в предоставленном тексте отсутствуют. Для работы с изображениями требуется мультимодальный ввод.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

One RL to See Them All: Visual Triple Unified Reinforcement Learning

Model Overview

Orsta-Orsta-32B-0326 is a cutting-edge vision-language model (VLM) designed to achieve superior performance across a wide spectrum of both visual reasoning and visual perception tasks. This model is a result of post-training with V-Triune, our novel unified reinforcement learning (RL) system.

The V-Triune system enables VLMs to be jointly optimized on diverse multimodal tasks within a single, cohesive training pipeline. Orsta-7B has been specifically trained using V-Triune on a carefully curated set of eight challenging visual tasks, fostering robust generalization and enhanced capabilities.

Training with V-Triune

Orsta-32B-0326's advanced abilities stem from its training with the V-Triune system. Key aspects of its training include:

  • Unified RL Framework (V-Triune): V-Triune is a Visual Triple-Unified Reinforcement Learning system featuring three core complementary components:

    • Sample-Level Data Formatting (to unify diverse task inputs)
    • Verifier-Level Reward Computation (to deliver custom rewards via specialized verifiers)
    • Source-Level Metric Monitoring (to diagnose problems at the data-source level)
    • It also incorporates an innovative Dynamic IoU reward mechanism, crucial for optimizing visual perception tasks. You can find more details in our paper: V-Triune
  • Diverse Joint Task Optimization: Orsta-32B-0326 was jointly optimized on the following eight visual tasks:

    • Visual Reasoning Tasks: Mathematics, Science Question Answering, Chart Understanding, and Puzzle Solving.
    • Visual Perception Tasks: Object Detection, Visual Grounding, Optical Character Recognition (OCR), and Object Counting.

This comprehensive training allows Orsta-32B-0326 to develop a deeper understanding of visual content and its relation to textual prompts, excelling in tasks that require intricate reasoning and precise perception.

Performance

ModelKnowledgeMathematicsPerceptionCodingInfo. Ex.PlanningScienceMetricsMEGA-BenchCore
Gemma3-27B49.4342.2045.4640.1849.3024.9647.0858.9941.82 †
QwenVL-2.5-32B-032646.0932.0447.5538.3661.6528.4337.5550.3843.67
InternVL-3-38B46.3240.2955.0545.2956.6322.8852.0458.0446.69
Skywork-R1V-38B 💡25.5928.4522.9519.8819.539.7422.6437.5521.54
Skywork-R1V2-38B 💡17.0812.3815.657.149.9017.6014.290.015.39
Orsta-32B-0326 (Ours) 💡46.7837.4350.8638.9263.1428.0542.6853.0145.78
----------
Δ (Ours - Backbone)+0.7+5.4+3.3+0.6+1.5-0.4+5.1+2.6+2.1

How to Use

Orsta-32B-0326 is developed by post-training the latest Qwen2.5-VL-32B-Instruct model using our V-Triune reinforcement learning system. Consequently, its core usage, particularly regarding input formatting and model interaction, largely follows the established patterns of the Qwen2.5-VL series.

For comprehensive details on the base model's capabilities, multi-turn dialogue format, image input encoding specifics, and other functionalities, we recommend referring to the official Qwen2.5-VL documentation.

Citation 🏆

If you use Orsta-32B-0326 or the V-Triune system in your research, please cite our work:

@article{ma2025one,
      title={One RL to See Them All: Visual Triple Unified Reinforcement Learning}, 
      author={Ma, Yan and Du, Linge and Shen, Xuyang and Chen, Shaoxiang and Li, Pengfei and Ren, Qibing and Ma, Lizhuang and Dai, Yuchao and Liu, Pengfei and Yan, Junjie},
      journal={arXiv preprint arXiv:2505.18129},
      year={2025}
}

Project Page

https://github.com/MiniMax-AI/One-RL-to-See-Them-All.

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
3378f9d

0 моделей