/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
3 авг 2025

PAPO-D-Qwen2.5-VL-3B

Изображение и текст → текст3 профессии

PAPO-D — мультимодальная модель Qwen2.5-VL для ответов на вопросы по изображениям и визуально обоснованных рассуждений.

129скачиваний за 30 дней0лайковвеса обновлены7 дек 2025

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

PAPO-D — официальная модель PAPO Galaxy для исследования Perception-Aware Policy Optimization в мультимодальных рассуждениях. Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров, предназначенная для диалоговой работы с изображениями и текстом. Она использует обучение с подкреплением по проверяемым вознаграждениям и внутренние сигналы, чтобы совместно улучшать визуальное восприятие и многошаговое рассуждение; в работе сообщается о снижении ошибок восприятия и улучшении результатов на мультимодальных тестах.

Модель принимает текст и изображения и формирует текстовые ответы. Она доступна в формате Safetensors, рассчитана на контекст до 128 000 токенов и используется через библиотеку Transformers. В README приведены результаты исследовательской работы, но нет подробных примеров применения или оценки для конкретных сценариев. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • визуальное рассуждение по сложным сценам
  • решение задач, требующих извлечения деталей из изображения
  • диалог о визуальном содержимом с опорой на текст

Ограничения

В README приведены агрегированные результаты на мультимодальных тестах, но нет оценок для отдельных прикладных сценариев. Практическое использование предполагает работу через Transformers.

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

PAPO Model: Perception-Aware Policy Optimization for Multimodal Reasoning

This is the official model released for the paper Perception-Aware Policy Optimization for Multimodal Reasoning.

Abstract

Reinforcement Learning with Verifiable Rewards (RLVR) has proven to be a highly effective strategy for endowing Large Language Models (LLMs) with robust multi-step reasoning abilities. However, its design and optimizations remain tailored to purely textual domains, resulting in suboptimal performance when applied to multimodal reasoning tasks. In particular, we observe that a major source of error in current multimodal reasoning lies in the perception of visual inputs. To address this bottleneck, we propose Perception-Aware Policy Optimization (PAPO), a simple yet effective extension of DAPO that encourages the model to learn to perceive while learning to reason, entirely from internal supervision signals. Notably, PAPO does not rely on additional data curation, external reward models, or proprietary models. Specifically, we introduce the Implicit Perception Loss in the form of a KL divergence term to the DAPO objective, which, despite its simplicity, yields significant overall improvements (4.4%) on diverse multimodal benchmarks. The improvements are more pronounced, approaching 8.0%, on tasks with high vision dependency. We also observe a substantial reduction (30.5%) in perception errors, indicating improved perceptual capabilities with PAPO. We conduct comprehensive analysis of PAPO and identify a unique loss hacking issue, which we rigorously analyze and mitigate through a Double Entropy Loss. Overall, our work introduces a deeper integration of perception-aware supervision into RLVR learning objectives and lays the groundwork for a new RL framework that encourages visually grounded reasoning.

Project Page & Code

Model Version

PAPO-D

Usage

This model can be used with the Hugging Face transformers library. For detailed usage examples and how to integrate it into your projects, please refer to the official GitHub Repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
c5c8b58

0 моделей