/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,6 млрд
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Опубликована
2 фев 2026

Ostrakon-VL-8B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen3-VL-8B-Instruct для анализа изображений в розничной торговле и общественном питании.

66скачиваний за 30 дней9лайковвеса обновлены19 мар 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

Ostrakon-VL-8B — мультимодальная модель Ostrakon, дообученная для сценариев розничной торговли и общественного питания. Она принимает изображения вместе с текстовыми запросами и генерирует ответы на вопросы, описание сцен и выводы для проверок соответствия правилам. Модель основана на Qwen3-VL-8B-Instruct, имеет плотную архитектуру с 7,6 млрд параметров и контекст длиной до 262 144 токенов.

Модель предназначена для анализа торговых залов, витрин и кухонь: распознавания объектов и текста, локализации товаров, пространственных рассуждений и проверок соблюдения требований. В карточке приведены результаты Ostrakon-VL-8B на ShopBench и описана многоэтапная стратегия дообучения; сам бенчмарк пока не опубликован. Поддержка видео заявлена для семейства Ostrakon-VL и бенчмарка, но метаданные этой версии указывают только задачу обработки изображений и текста. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по фотографиям торгового зала
  • проверка выкладки товаров и витрин
  • распознавание текста и ценников на изображениях
  • поиск и локализация объектов в магазине
  • проверка соблюдения правил в торговых залах и на кухнях
  • анализ санитарного состояния кухни по изображению

Ограничения

ShopBench, описанный в карточке, пока не опубликован, поэтому заявленные результаты нельзя независимо проверить по этому набору данных. Метаданные этой версии подтверждают обработку изображений и текста, но не видео.

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

Ostrakon-VL: Towards Domain-Expert MLLM for Food-Service and Retail Stores]

GitHub Paper

Ostrakon-VL Framework Overview

Introduction

Ostrakon-VL is the first open-source Multimodal Large Language Model (MLLM) specifically designed for Food-Service and Retail Store (FSRS) scenarios. It delivers state-of-the-art performance in real-world retail perception, compliance, and decision-making tasks — outperforming even much larger general-purpose models like Qwen3-VL-235B.

🔥 Key Highlights

  • 60.5 average score on ShopBench (Ostrakon-VL-30B-A3B) — outperforming Qwen3-VL-235B by +1.1
  • ShopBench: First public benchmark for FSRS, with multi-format inputs and diagnostic metrics
  • Model weights are open-sourced

📦 What’s Included

  • ✅ Ostrakon-VL Models: Fine-tuned MLLMs for FSRS, including 8B and 30B variants (ModelScope: https://modelscope.cn/collections/Ostrakon/Ostrakon-VL)
  • 🧪 ShopBench: The first public benchmark for FSRS, featuring:
    • Scenarios: ShopFront, ShopInterior, Kitchen
    • Input Types: Single image, multi-image, video
    • Output Formats: Open-ended QA, structured Format, MCQ
    • Unique Design: High visual complexity (13.0 objects/image), fine-grained task taxonomy (79 categories), and diagnostic metrics (VNR/VIF) to minimize language bias

🧪 ShopBench: The First Public Benchmark for FSRS

ShopBench is the first standardized evaluation suite specifically designed for the Food-Service and Retail Store (FSRS) domain. Unlike general-purpose multimodal benchmarks, ShopBench addresses the unique challenges of real-world retail environments:

  • Multi-format Inputs: Unifies evaluation across single-image, multi-image, and video scenarios under a consistent protocol.
  • Fine-grained Taxonomy: Organizes tasks into a 4-level hierarchy covering perception (e.g., OCR, object localization) and reasoning (e.g., spatial relations, compliance rules), with 79 leaf-level categories.
  • Real-world Complexity: Features the highest instance density (13.0 objects/image) among major benchmarks, reflecting cluttered retail scenes.
  • Reduced Language Bias: Employs diagnostic metrics like Visual Necessity Rate (VNR) and Vision-Induced Failure (VIF) to ensure questions truly require visual understanding, not just language priors.
  • Domain Distinctiveness: t-SNE visualization shows ShopBench occupies a distinct region in the visual embedding space compared to existing benchmarks (e.g., MMBench, OCRBench).

ShopBench enables fair, interpretable, and actionable comparison of MLLMs in realistic FSRS workflows — from storefront compliance checks to kitchen hygiene audits.

Due to legal reasons, the open-sourcing of ShopBench has been postponed.


📊 Evaluation Results

ShopBench Performance (Higher is better)

Our Ostrakon-VL models achieve strong performance on ShopBench. Ostrakon-VL-8B reaches an average score of 60.1, showing competitive results among open-source models of similar scale, while Ostrakon-VL-30B-A3B further improves to 60.5 and performs particularly well on ShopFront (65.3) and Video (57.3), demonstrating strong understanding of e-commerce scenarios.

General Benchmarks

While specialized for FSRS, On representative multimodal benchmarks, Ostrakon-VL shows competitive overall performance across a wide range of tasks. In particular, Ostrakon-VL-30B-A3B achieves strong results on MMBench-EN_DEV (86.7) and AI2D_TEST (86.9), while maintaining solid performance across OCR, math, and Chinese-language benchmarks, demonstrating its broad multimodal capabilities.


🧠 Training Strategy

Ostrakon-VL is trained via a multi-stage training strategy:

  1. Caption Bootstrapping (CB) – Inject domain knowledge using dense, evidence-rich captions.
  2. Offline Curriculum Learning (OCL) – Train from easy to hard samples based on difficulty stratification.
  3. Mixed Preference Optimization (MPO) – Align responses using preference pairs of correct vs. plausible-but-wrong answers.

This strategy enables robust, auditable, and rule-compliant reasoning in complex retail environments.


🚀 Quick Start

Install dependencies and run inference with just a few lines of code:

pip install torch transformers accelerate

Inference Example


from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from PIL import Image

# Load Ostrakon-VL
model = Qwen3VLForConditionalGeneration.from_pretrained(
    "Ostrakon/Ostrakon-VL-30B-A3B",
    dtype="bfloat16",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("Ostrakon/Ostrakon-VL-30B-A3B")

def process_local_image(image_path):
    image = Image.open(image_path)
    image = image.resize((512,512))
    return image

image_path = "path/to/img.jpg"
image = process_local_image(image_path)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": image
            },
            {
                "type": "text",
                "text": "图片中的店铺名是什么?"
            }
        ]
    }
]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
)
inputs = inputs.to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
print(output_text)

📚 Citation

If you find Ostrakon-VL or ShopBench useful in your research, please cite our paper:

@article{shen2026ostrakon,
  title={Ostrakon-VL: Towards Domain-Expert MLLM for Food-Service and Retail Stores},
  author={Shen, Zhiyong and Zhao, Gongpeng and Zhou, Jun and Yu, Li and Kou, Guandong and Li, Jichen and Dong, Chuanlei and Li, Zuncheng and Li, Kaimao and Wei, Bingkun and others},
  journal={arXiv preprint arXiv:2601.21342},
  year={2026}
}

🤝 Contributing & License

We welcome contributions! Please open an issue or submit a PR.

  • Code & Model: 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
Qwen3VLForConditionalGeneration
Ревизия весов
94cb67f

0 моделей