/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
17 мар 2026

Qwen2.5-3B-MedVL

Вопросы по изображениюИзображение, текст → текст3 профессии

Дообученная на медицинских данных мультимодальная модель для ответов на вопросы по медицинским изображениям.

94скачиваний за 30 дней3лайкавеса обновлены2 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

OpenMed разработала Qwen2.5-3B-MedVL — медицинскую модель визуальных вопросов и ответов, полученную дообучением Qwen/Qwen2.5-VL-3B-Instruct на примерно 200 тысячах медицинских записей VQA из конвейера SynthVision. Это плотная мультимодальная модель семейства Qwen2.5-VL с 3,1 млрд параметров; она принимает текстовые вопросы вместе с изображениями и формирует ответы на естественном языке. Размер контекста по метаданным — 128 000 токенов.

Модель предназначена для ответов на вопросы по медицинским изображениям, в том числе для описания ключевых находок на рентгенограммах грудной клетки. В README приведены результаты Exact Match на VQA-RAD, PathVQA и SLAKE: после дообучения средний показатель вырос с 0,4503 до 0,4903 относительно базовой модели. Эти результаты относятся к указанным наборам и не подтверждают клиническую пригодность модели.

Модель распространяется под лицензией Apache-2.0. Она ориентирована на медицинский визуальный анализ и не заявлена как система для постановки диагноза или принятия клинических решений.

Сценарии применения

  • ответы на вопросы о находках на рентгенограммах грудной клетки
  • ответы на вопросы по медицинским изображениям для VQA-RAD
  • анализ медицинских изображений в задачах PathVQA
  • ответы на визуальные медицинские вопросы по SLAKE
  • прототипирование систем медицинского визуального поиска и диалога

Ограничения

Приведённые метрики относятся только к VQA-RAD, PathVQA и SLAKE; README не подтверждает клиническую пригодность модели. В примере использования задан лимит одного изображения на запрос.

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

Qwen2.5-3B-MedVL

SynthVision

Qwen2.5-VL-3B-Instruct fine-tuned on ~200K medical VQA records from the SynthVision pipeline.

Benchmark Results (Exact Match)

SplitVQA-RADPathVQASLAKEAvg EM
Base (Qwen2.5-VL-3B-Instruct)0.50330.30380.54380.4503
Fine-tuned0.52110.34680.60320.4903
Delta+3.5%+14.2%+10.9%+8.9%

Usage

Transformers

from transformers import AutoProcessor, AutoModelForImageTextToText

model_id = "OpenMed/Qwen2.5-3B-MedVL"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, torch_dtype="auto", device_map="auto")

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://example.com/xray.jpg"},
            {"type": "text", "text": "What are the key findings in this chest X-ray?"},
        ],
    }
]

inputs = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=512)
print(processor.decode(output[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

vLLM

from vllm import LLM, SamplingParams

llm = LLM(model="OpenMed/Qwen2.5-3B-MedVL", max_model_len=4096, limit_mm_per_prompt={"image": 1})

messages = [{"role": "user", "content": [
    {"type": "image_url", "image_url": {"url": "https://example.com/xray.jpg"}},
    {"type": "text", "text": "What are the key findings in this chest X-ray?"},
]}]

output = llm.chat(messages, SamplingParams(temperature=0, max_tokens=512))
print(output[0].outputs[0].text)

SGLang

# Launch server
python -m sglang.launch_server --model-path OpenMed/Qwen2.5-3B-MedVL --chat-template qwen2-vl --port 8000
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="OpenMed/Qwen2.5-3B-MedVL",
    messages=[{"role": "user", "content": [
        {"type": "image_url", "image_url": {"url": "https://example.com/xray.jpg"}},
        {"type": "text", "text": "What are the key findings in this chest X-ray?"},
    ]}],
    max_tokens=512,
)
print(response.choices[0].message.content)

Training Details

  • Base model: Qwen/Qwen2.5-VL-3B-Instruct
  • Data: ~200K medical VQA records from the SynthVision pipeline
  • Method: LoRA (rank=32, alpha=32)
  • Target modules: q_proj, v_proj, k_proj, o_proj
  • Learning rate: 7e-5, cosine schedule
  • Steps: 700
  • Weight decay: 0.03
  • Hardware: 4x NVIDIA A100 80GB (48 vCPU, 568 GB RAM) via Hugging Face Jobs
  • Training time: 1h 14m

Links

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
6370f58

0 моделей