/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
15 июл 2026

HoloGeo

Изображение и текст → текст3 профессии

HoloGeo анализирует изображение по нескольким географическим признакам и предсказывает страну и город, стараясь не полагаться только на известные ориентиры.

44скачиваний за 30 дней0лайковвеса обновлены10 авг 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

HoloGeo — мультимодальная модель на базе Qwen/Qwen2.5-VL-7B-Instruct, разработанная для геолокации изображений и геопространственных рассуждений. Она анализирует регионы изображения и объединяет признаки архитектуры, растительности, рельефа, климата, инфраструктуры, текста и культурного контекста, чтобы предсказывать страну и город, снижая зависимость от одного заметного ориентира.

Модель принимает изображения и текстовые инструкции, а выдаёт текстовый разбор визуальных свидетельств и прогноз местоположения. Обучение включало дообучение LoRA и GRPO; выпущенные веса объединены с базовой моделью. HoloGeo предназначена для исследований геолокации изображений, устойчивости к смещению в сторону известных ориентиров и мультимодальных географических рассуждений. Лицензия модели — Apache 2.0.

Предсказания могут быть ошибочными или чрезмерно уверенными, особенно для удалённых, редких или визуально похожих мест и регионов, недостаточно представленных в обучении. Анализ может содержать галлюцинации и необоснованные географические ассоциации; результат зависит от качества изображения, охвата данных и формулировки запроса, поэтому его следует проверять независимо.

Сценарии применения

  • определение страны и города по фотографии
  • географическая локализация изображения по архитектуре и природным признакам
  • анализ того, как известные достопримечательности влияют на геолокацию
  • исследование мультимодальных географических рассуждений
  • оценка устойчивости моделей к неоднозначным или вводящим в заблуждение ориентирам

Ограничения

Предсказания и объяснения могут содержать ошибки, галлюцинации и необоснованные географические ассоциации, особенно для редких или визуально похожих мест. Результаты зависят от качества изображения и охвата обучающих данных и требуют независимой проверки.

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

HoloGeo: Evidence-Driven Vision-Language Model for Image Geo-localization

Mitigating Landmark Bias through Multi-Evidence Geospatial Reasoning

🌐 Project Page · 📄 Paper · 💻 Code · 🤗 Dataset


Model Description

HoloGeo is an open-source vision-language model for robust image geo-localization and geospatial reasoning. It is designed to mitigate landmark bias, where a model over-relies on a salient building, statue, text sign, cultural symbol, or other prominent cue while overlooking complementary evidence from the surrounding environment.

Instead of mapping one salient landmark directly to a location, HoloGeo analyzes multiple image regions and integrates evidence from architecture, vegetation, terrain, climate, infrastructure, text, and cultural context before predicting a country and city.

HoloGeo is introduced in HoloGeo: Mitigating Landmark Bias in Geo-localization via Evidence-Driven Reasoning, accepted at ACM Multimedia 2026. It is trained with BF-30K, which contains structured multi-evidence reasoning chains, and evaluated with LandmarkBias-3K, a diagnostic benchmark for misleading-landmark scenarios.

HoloGeo Ecosystem

  • HoloGeo: an evidence-driven vision-language model for image geo-localization.
  • BF-30K: a 30K training dataset with region-level visual analyses and structured multi-evidence reasoning chains.
  • LandmarkBias-3K: a 3K-image diagnostic benchmark for landmark-induced reasoning errors.
  • Bias Intensity (BI) and Bias Harmfulness (BH): complementary metrics that measure the strength and harmfulness of landmark influence on model predictions.

Key Features

  • Image geo-localization: predicts country- and city-level locations from visual and contextual geographic cues.
  • Evidence-driven reasoning: combines information from multiple informative regions instead of relying on a single salient landmark.
  • Landmark-bias mitigation: explicitly targets harmful over-reliance on recognizable or visually dominant cues.
  • Structured geospatial reasoning: produces region analyses, aggregated reasoning, and a final location using an <Analyze>-<Think>-<Answer> structure.
  • Diagnostic evaluation: evaluated on LandmarkBias-3K and standard image geo-localization benchmarks.

Model Details

ItemDescription
Base modelQwen/Qwen2.5-VL-7B-Instruct
Model typeVision-language model for image-to-text generation
TrainingLoRA supervised fine-tuning followed by GRPO reinforcement learning
Training dataBF-30K
OutputStructured visual analysis, geographic reasoning, country, and city
PrecisionBF16

The released checkpoint contains the merged model weights. The LoRA adapter from the reinforcement-learning checkpoint has been merged into the base model, so the model can be loaded directly with Transformers.

Load

from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration

model_id = "PPKQ/HoloGeo"

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_id)

Training

HoloGeo uses a two-stage training strategy built on Qwen2.5-VL-7B-Instruct:

  1. Supervised fine-tuning: LoRA fine-tuning on 1.5K BF-30K samples establishes the structured multi-evidence reasoning format.
  2. GRPO reinforcement learning: the remaining training samples are used with rewards for output format, geo-localization accuracy, visual-region grounding, and comprehensive logical reasoning.

Training code and example launch scripts are available in the HoloGeo GitHub repository.

Evaluation

Predictions are evaluated by the geographic distance between the predicted and ground-truth coordinates:

GranularityDistance threshold
City25 km
Region200 km
Country750 km

Datasets

The accompanying HoloGeo Dataset provides:

  • BF-30K, used for structured multi-evidence geo-localization training;
  • LandmarkBias-3K, used to evaluate robustness in ambiguous or misleading landmark scenes.

The dataset has its own license and usage terms. The model's Apache 2.0 license does not override the licenses, copyrights, or terms associated with dataset annotations or upstream images.

Intended Use

HoloGeo is intended for research on image geo-localization, multimodal geographic reasoning, landmark bias, model robustness, and related evaluation methods.

Image geo-localization can create privacy, surveillance, and spatial-security risks. Do not use HoloGeo for unlawful tracking, privacy infringement, identifying private individuals, evading safety measures, criminal activity, or other harmful purposes.

Limitations

  • Predictions may be incorrect or overconfident, especially for remote regions, rare landforms, visually similar locations, and areas underrepresented in the training data.
  • Generated visual analyses and reasoning may contain hallucinations, factual errors, or unsupported geographic associations.
  • Mitigating landmark bias does not eliminate other geographic, cultural, linguistic, or dataset biases.
  • Performance depends on image quality, geographic coverage, prompt design, decoding settings, and the availability of informative visual evidence.
  • Model outputs should not be treated as independently verified geographic facts.

Citation

If you use HoloGeo, LandmarkBias-3K, or BF-30K in your research, please cite:

@inproceedings{zhou2026hologeo,
  title     = {HoloGeo: Mitigating Landmark Bias in Geo-localization via Evidence-Driven Reasoning},
  author    = {Zhou, Pengcheng and Liu, Xuanyu and Yin, Yanchen and Li, Bobo and Wu, Shengqiong and Lee, Mong-Li and Hsu, Wynne},
  booktitle = {Proceedings of the 34th ACM International Conference on Multimedia},
  year      = {2026}
}

Acknowledgements

HoloGeo builds upon Qwen2.5-VL and uses or draws on resources and tools including MP-16, Google Landmarks Dataset v2, GroundingDINO, InternVL3, DeepSpeed, vLLM, and ModelScope Swift. We thank their authors and open-source communities.

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
bbe26ce

0 моделей