/ 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
1 дек 2025

OneThinker-SFT-Qwen3-8B

Мультимодальная модель3 профессии

Промежуточная SFT-модель Qwen3-VL для рассуждения по изображениям и видео, включая ответы на вопросы, описание, локализацию объектов, отслеживание и сегментацию.

27скачиваний за 30 дней5лайковвеса обновлены5 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

OneThinker-SFT-Qwen3-8B — промежуточная модель контролируемого дообучения (SFT) для мультимодального рассуждения по изображениям и видео, представленная авторами работы OneThinker. Она основана на Qwen/Qwen3-VL-8B-Instruct и предназначена для последующего обучения с подкреплением; в карточке указана архитектура Qwen3-VL с 8 млрд параметров и формат весов safetensors.

Модель объединяет ответы на вопросы об изображениях и видео, создание описаний, пространственную и временную привязку объектов, отслеживание и сегментацию. Для обучения использовались наборы OneThinker-600k и OneThinker-SFT-340k с разметкой цепочек рассуждений. Авторы сообщают о результатах на 31 бенчмарке по 10 задачам компьютерного зрения и о способности к обобщению на новые сценарии.

Модель принимает изображения и видео вместе с текстовыми запросами и формирует текстовые ответы, а в задачах локализации, отслеживания и сегментации также структурированные визуальные результаты. Языки в доступных сведениях не обозначены. Лицензия — Apache-2.0. Поскольку это промежуточный SFT-чекпойнт перед RL-обучением, его качество может отличаться от итоговой версии OneThinker.

Сценарии применения

  • ответы на вопросы по изображениям
  • ответы на вопросы по видео
  • создание описаний изображений и видеороликов
  • пространственная локализация объектов на изображениях
  • временная привязка событий и объектов в видео
  • отслеживание объектов в видеопоследовательностях
  • сегментация объектов на изображениях и видео

Ограничения

Это промежуточный SFT-чекпойнт, подготовленный для последующего RL-обучения, поэтому он может не отражать качество итоговой версии модели. Авторы сообщают о результатах на бенчмарках, но подробности оценивания и инструкции по запуску приведены во внешнем репозитории.

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

OneThinker: All-in-one Reasoning Model for Image and Video

This repository contains the SFT model presented in: OneThinker: All-in-one Reasoning Model for Image and Video

This is an intermediate model prepared for subsequent RL training.

For more detailed instructions on environment setup, training scripts, and comprehensive evaluation, please refer to the OneThinker GitHub repository.

👀 About OneThinker

We introduce OneThinker, an all-in-one multimodal reasoning generalist that is capable of thinking across a wide range of fundamental visual tasks within a single model.

OneThinker unifies image and video understanding across diverse fundamental visual tasks, including question answering, captioning, spatial and temporal grounding, tracking, and segmentation. To achieve this, we construct the large-scale OneThinker-600k multi-task training corpus and build OneThinker-SFT-340k with high-quality CoT annotations for SFT cold start. Furthermore, we propose EMA-GRPO, a new RL method that balances heterogeneous reward signals across diverse visual tasks by tracking task-wise moving averages of reward standard deviations for balanced optimization.

OneThinker demonstrates strong performance on 31 benchmarks across 10 fundamental vision tasks, while showing effective knowledge transfer between certain tasks and promising zero-shot generalization ability, marking a step toward a unified multimodal reasoning generalist.

📄 Citations

If you find our work helpful for your research, please consider citing our work.

@article{feng2025onethinker,
  title={OneThinker: All-in-one Reasoning Model for Image and Video},
  author={Feng, Kaituo and Zhang, Manyuan and Li, Hongyu and Fan, Kaixuan and Chen, Shuang and Jiang, Yilei and Zheng, Dian and Sun, Peiwen and Zhang, Yiyuan and Sun, Haoze and others},
  journal={arXiv preprint arXiv:2512.03043},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
4f5b471

0 моделей