/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-2B
Опубликована
17 мар 2026

Qwen3.5-2B-MedVL

Вопросы по изображениюИзображение, текст → текст3 профессии

Дообученная на медицинских примерах Qwen3.5-2B отвечает на текстовые вопросы по медицинским изображениям.

13 608скачиваний за 30 дней14лайковвеса 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/Qwen3.5-2B-MedVL — медицинская модель для ответов на вопросы по изображениям, разработанная OpenMed на основе Qwen3.5-2B. Она дообучена на примерно 200 тысячах медицинских примеров VQA из SynthVision и предназначена для анализа медицинских изображений по текстовым запросам, например для выявления ключевых признаков на рентгеновском снимке грудной клетки. Модель принимает изображение и текстовый вопрос и формирует текстовый ответ; в карточке приведены результаты на VQA-RAD, PathVQA и SLAKE, где дообученная версия превосходит базовую по средней точности Exact Match.

Архитектура — плотная Qwen3.5 с генерацией условного ответа; веса опубликованы в формате safetensors. Для запуска через Transformers требуется версия не ниже 5.3.0. Лицензия — Apache-2.0. Модель не заменяет клиническую оценку специалиста; качество зависит от типа изображения и формулировки вопроса.

Сценарии применения

  • ответы на вопросы по рентгеновским снимкам
  • поиск ключевых признаков на медицинских изображениях
  • ответы на вопросы по медицинским иллюстрациям и снимкам
  • оценка медицинских VQA-систем на наборах VQA-RAD, PathVQA и SLAKE

Ограничения

Результаты зависят от вида изображения и формулировки вопроса; модель не заменяет клиническую оценку специалиста. Для запуска через Transformers требуется версия не ниже 5.3.0.

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

Qwen3.5-2B-MedVL

SynthVision

Qwen3.5-2B fine-tuned on ~200K medical VQA records from the SynthVision pipeline. Best overall model in the SynthVision family.

Note: Requires transformers>=5.3.0. Do NOT install fla (crashes on Python 3.10).

Benchmark Results (Exact Match)

SplitVQA-RADPathVQASLAKEAvg EM
Base (Qwen3.5-2B)0.54770.38220.56170.4972
Fine-tuned0.55210.47480.68800.5716
Delta+0.8%+24.2%+22.5%+15.0%

Usage

Transformers

from transformers import AutoProcessor, AutoModelForImageTextToText

# Requires transformers>=5.3.0
model_id = "OpenMed/Qwen3.5-2B-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/Qwen3.5-2B-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/Qwen3.5-2B-MedVL --port 8000
from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="OpenMed/Qwen3.5-2B-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/Qwen3.5-2B
  • Data: ~200K medical VQA records from the SynthVision pipeline
  • Method: LoRA (rank=64, alpha=64)
  • Target modules: q_proj, v_proj, k_proj, o_proj, gate_proj, up_proj, down_proj
  • Learning rate: 1e-4, cosine schedule
  • Steps: 350
  • Weight decay: 0.01
  • Hardware: 4x NVIDIA A100 80GB (48 vCPU, 568 GB RAM) via Hugging Face Jobs
  • Training time: ~1h

Links

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
9bfe30c

0 моделей