/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
10 июн 2026

sdg-detector-sft

Изображение и текст → текст3 профессии

Дообученная Qwen3-VL модель обнаруживает и локализует артефакты и нарушения выравнивания на изображениях, выдавая структурированные описания и рамки дефектов.

25скачиваний за 30 дней0лайковвеса обновлены11 июн 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

P1n3/sdg-detector-sft — модель компьютерного зрения на основе Qwen3-VL-4B-Instruct, дообученная методом supervised fine-tuning на обучающей части набора SDG-30K. Она анализирует изображение по запросу и возвращает структурированные описания дефектов с метками типа «artifact» или «misalignment» и ограничивающими рамками в нормализованных координатах [0, 1000]. Модель предназначена для обнаружения и локализации дефектов на изображениях; её обучающий набор содержит около 85 770 пар запросов и ответов после дистилляции рассуждений и добавления вариаций координат.

Это плотная мультимодальная модель с архитектурой Qwen3-VL, размером 4 млрд параметров, поддерживающая визуальный диалог. Для запуска используется Transformers, веса опубликованы в формате safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Сценарии применения

  • поиск артефактов на изображениях изделий
  • обнаружение нарушений выравнивания компонентов
  • локализация дефектов ограничивающими рамками
  • формирование структурированной разметки дефектов по изображению

Ограничения

Модель обучалась на SDG-30K и описана для двух типов дефектов: artifact и misalignment; качество на других типах дефектов и вне этого набора не заявлено. Коммерческое использование ограничено лицензией CC-BY-NC-4.0.

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

SDG Detector — SFT Stage

arXiv

Stage-1 supervised fine-tuning of Qwen/Qwen3-VL-4B-Instruct on the SDG-30K training split. This checkpoint backs the "SDG (SFT)" row of Table 1 in the SDG paper.

The model emits structured defect-grounding output:

<think>
[Caption Understanding -> Visual Analysis -> Defect Spotting -> Localization]
</think>
<answer>
[
  {"box_2d": [y0, x0, y1, x1], "label": "artifact" | "misalignment", "desc": "..."},
  ...
]
</answer>

box_2d uses the [0, 1000] normalized convention (top, left, bottom, right).

Training summary

fieldvalue
base modelQwen/Qwen3-VL-4B-Instruct
training dataSDG-30K train split (~85,770 prompt-response pairs after CoT distillation + jitter)
epochs1 effective (5,360 steps × effective batch 16)
learning rate3.0e-5, cosine, 5% warmup
coord jitter±10 px, per-epoch resampling
vision encoderfrozen
precisionbf16
hardware16 × A100-80G (2 nodes × 8)
optimizer statenot redistributed (release-only checkpoint)

Quick start

from transformers import AutoProcessor, AutoModelForImageTextToText
import torch

ckpt = "P1n3/sdg-detector-sft"
processor = AutoProcessor.from_pretrained(ckpt)
model = AutoModelForImageTextToText.from_pretrained(
    ckpt, dtype=torch.bfloat16, device_map="auto",
)

The exact prompt template lives in the supplementary archive at sdg_detector/train/constants.py (question_template_registry).

Stage-2 GRPO Checkpoint

The Stage-2 GRPO detector is released separately as a merged full checkpoint: P1n3/sdg-detector-grpo. It can be loaded directly with transformers and should not be attached as a PEFT adapter.

License

cc-by-nc-4.0. Derivative of Qwen/Qwen3-VL-4B-Instruct (Apache-2.0). Released for non-commercial research use only.

Citation

@article{zhang2026and,
  title={Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback},
  author={Zhang, Huaisong and Yu, Hao and Zhang, Yuxuan and Wang, Jiahe and Chen, Xinrui and Cao, Haoxiang and Lu, Feng and Zhang, Wendong and Yu, Changqian and Yuan, Chun},
  journal={arXiv preprint arXiv:2606.06113},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
414b185

0 моделей