/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
8 июл 2026

PolicyShiftGuard-7B-RP-SFT

Изображение и текст → текст3 профессии

Промежуточная мультимодальная модель на базе Qwen2.5-VL для чтения наборов политик и проверки соответствия им в экспериментах с защитными ограничениями.

33скачиваний за 30 дней0лайковвеса обновлены19 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 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

PolicyShiftGuard-7B-RP-SFT — промежуточный контрольный чекпойнт первого этапа обучения модели PolicyShiftGuard, разработанный на базе Qwen2.5-VL-7B-Instruct. Модель с 7,1 млрд параметров использует мультимодальную архитектуру Qwen2.5-VL и принимает текст и изображения; длина контекста составляет 128 000 токенов. Она обучена читать наборы политик с рандомизированными идентификаторами и порядком политик и выдавать текстовые ответы для задач проверки соответствия политике и защитных ограничений.

Чекпойнт предназначен для воспроизведения двухэтапного обучения и сравнительной оценки первого этапа RP-SFT с финальной адаптацией BP-Adapt. Это промежуточная модель без этапа адаптации, поэтому для стандартной оценки и развёртывания авторы рекомендуют финальную модель PolicyShiftGuard-7B. Обучение выполнено на PolicyShiftBench. Лицензия — Apache-2.0.

Сценарии применения

  • воспроизведение первого этапа обучения PolicyShiftGuard
  • сравнение RP-SFT с финальной адаптацией BP-Adapt
  • оценка ответов модели на наборы политик с переменными идентификаторами
  • исследование влияния порядка политик на проверку соответствия
  • эксперименты с мультимодальными защитными ограничениями

Ограничения

Это промежуточный чекпойнт первого этапа обучения, а не финальная модель; для стандартной оценки и развёртывания авторы рекомендуют PolicyShiftGuard-7B. README не перечисляет поддерживаемые естественные языки.

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

PolicyShiftGuard-7B-RP-SFT

\ud83d\udcc3 Paper | \ud83c\udf10 Project Page | \ud83d\udcbb GitHub

This repository releases the Stage-1 Randomized Policy SFT (RP-SFT) checkpoint for the 7B PolicyShiftGuard model.

RP-SFT is the first training stage in PolicyShiftGuard. It trains a Qwen2.5-VL guardrail model to read policy bundles under randomized policy identifiers and randomized policy ordering. This checkpoint is provided for reproducibility and ablation use. The final public model after the second-stage adaptation is available at PolicyShiftGuard/PolicyShiftGuard-7B.

Intended Use

Use this checkpoint when you want to reproduce the two-stage training pipeline or compare Stage-1 RP-SFT against the final BP-Adapt model.

For standard evaluation or deployment, use the final model instead:

Dataset

The model is trained with PolicyShiftBench supervision:

Notes

  • This is an intermediate checkpoint, not the final model reported as the main PolicyShiftGuard model.
  • This checkpoint corresponds to the randomized-policy no-think Stage-1 SFT setting.
  • Training-state files such as optimizer states are intentionally not included.

Citation

If you find this work helpful, please cite the paper:

@article{song2026policyshiftguard,
  title   = {PolicyShiftGuard: Benchmarking and Improving Policy-Adaptive Image Guardrails},
  author  = {Song, Mingyang and Xu, Luxin and Sun, Haoyu and Pan, Minzhou and Cheng, Yu and Li, Bo},
  journal = {arXiv preprint arXiv:2607.05910},
  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
Qwen2_5_VLForConditionalGeneration
Ревизия весов
e963205

0 моделей