/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
55,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.6-27B
Опубликована
23 апр 2026

GRM-2.6-Plus

Изображение и текст → текст12 профессий

Дообученная мультимодальная модель OrionLLM на 27 млрд параметров для рассуждений, программирования, диалога и агентных задач с текстом и изображениями.

2 729скачиваний за 30 дней83лайкавеса обновлены7 июл 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 оценки7

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • MathArena/hmmt_feb_2026

    score · выше — лучше

    Результат

    84,8

    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • harborframework/terminal-bench-2.0

    score · выше — лучше

    Результат

    59,8

    terminalbench_2 59,8
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • ScaleAI/SWE-bench_Pro

    score · выше — лучше

    Результат

    54

    SWE_Bench_Pro 54
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • MathArena/aime_2026

    score · выше — лучше

    Результат

    95,1

    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • Idavidrein/gpqa

    score · выше — лучше

    Результат

    88,3

    diamond 88,3
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • SWE-bench/SWE-bench_Verified

    score · выше — лучше

    Результат

    77,7

    swe_bench_%_resolved 77,7
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • TIGER-Lab/MMLU-Pro

    score · выше — лучше

    Результат

    86,8

    mmlu_pro 86,8
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GRM-2.6-Plus — дообученная OrionLLM мультимодальная модель на 27 млрд параметров на архитектуре Qwen3.6. Она предназначена для сложных задач общего назначения: рассуждений, программирования, диалога и агентных сценариев с использованием инструментов. Модель принимает текст и изображения и генерирует текст; метаданные указывают на поддержку чата и интерфейса вызова инструментов.

Разработчик позиционирует модель как вариант для локального применения, ориентированный на структурированные рассуждения и практическую работу на подходящем потребительском или рабочем оборудовании. В README заявлены сильные стороны в решении сложных задач и генерации кода, однако приведённые бенчмарки опущены, поэтому эти заявления нельзя оценить по карточке. Модель распространяется в формате safetensors по лицензии Apache 2.0.

Сценарии применения

  • решение сложных задач с пошаговыми рассуждениями
  • генерация и объяснение программного кода
  • ответы на вопросы по изображениям
  • диалог с локальным ИИ-ассистентом
  • агентные сценарии с вызовом инструментов

Ограничения

В README не приведены доступные для проверки результаты бенчмарков, а практическая скорость и требования к оборудованию зависят от конфигурации.

Для каких профессий подходит12

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

1. Introduction

GRM-2.6-Plus is a 27B-parameter reasoning model built for general-purpose AI and optimized for difficult, high-complexity tasks. It is designed to deliver stronger performance for its size while remaining practical, efficient, and accessible for advanced local and research-oriented use.

The model focuses on structured reasoning, helping it produce more accurate, coherent, and reliable responses across demanding problems. GRM-2.6-Plus brings elite-level reasoning to complex workloads, making it suitable for users who need a capable model for advanced problem-solving, coding, agents, and everyday intelligence.

2. Key Capabilities

  • Elite-Level Reasoning for Hard Tasks: GRM-2.6-Plus is optimized to handle difficult reasoning workloads with clarity, consistency, and strong step-by-step problem-solving ability.
  • High Performance for Its Size: With 27B parameters, the model is designed to deliver excellent capability relative to its scale, balancing strong intelligence with practical deployment.
  • Advanced Coding and Agentic Use: GRM-2.6-Plus is well suited for code generation, structured problem-solving, tool-style workflows, and local agentic applications.
  • Optimized for Practical Deployment: The model aims to remain efficient and usable across capable consumer and workstation hardware while offering strong performance for advanced tasks.

3. Performance

GRM-2.6-Plus is designed to be a highly capable 27B local AI model for complex reasoning, coding, everyday chat, and agentic workflows. It focuses on delivering better performance for its size, making it a strong option for users who want powerful reasoning without relying only on massive-scale models.

terminal_performance_evaluation

Its core strength is practical intelligence: elite-level reasoning, strong task understanding, stable responses, and the ability to handle difficult problems across multiple domains.

Detailed Benchmarks

4. Family

The GRM-2.6 family is available in various sizes to suit every case.

5. Architecture

GRM-2.6 is built on the Qwen3.6 architecture and is optimized for complex tasks, agent environments, and everyday chat.

GRM-2.6 applies the same principle to a stronger, larger foundation, resulting in a model that punches above its weight class on structured reasoning tasks while remaining deployable on consumer hardware.

6. Quick start

Before starting, make sure it is installed and the API key and the API base URL is configured, e.g.:

pip install -U openai

# Set the following accordingly
export OPENAI_BASE_URL="http://localhost:8000/v1"
export OPENAI_API_KEY="EMPTY"

Text-Only Input

from openai import OpenAI
# Configured by environment variables
client = OpenAI()

messages = [
    {"role": "user", "content": "Create an calculator in a single HTML file backwards"},
]

chat_response = client.chat.completions.create(
    model="OrionLLM/GRM-2.6-Plus",
    messages=messages,
    max_tokens=81920,
    temperature=1.0,
    top_p=0.95,
    presence_penalty=0.0,
    extra_body={
        "top_k": 20,
    }, 
)
print("Chat response:", chat_response)

GRM-2.6-Plus is developed by OrionLLM and released under the Apache 2.0 License.

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
63a40b8

0 моделей