/ Модель

Характеристики

Контекст
14 588 токенов
Лицензия
CC BY-NC-SA 4.0
Архитектура
internvl_chat · dense
Базовая модель
InternVL3_5-2B
Опубликована
11 июл 2026

OphVLM-R1

Генерация текстаТекст → текст3 профессии

OphVLM-R1 — мультимодальная модель на 2 млрд параметров для анализа офтальмологических изображений и клинических вопросов по ним.

3 016скачиваний за 30 дней1лайквеса обновлены13 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

OphVLM-R1 — мультимодальная модель на 2 млрд параметров для клинических рассуждений в офтальмологии, разработанная авторами проекта OphVLM-R1 на основе OpenGVLab/InternVL3_5-2B. Модель принимает изображения и текст и формирует текстовые ответы. Её обучали в два этапа: сначала LoRA дообучением на офтальмологических данных, затем четырёхэтапным curriculum reinforcement learning для локализации поражений, сравнения изображений, составления отчётов и ответов на вопросы с объединением визуальных данных и клинических знаний.

Модель предназначена для анализа офтальмологических изображений, в том числе глазного дна, и клинических вопросов по ним. В README указаны результаты на нескольких бенчмарках; авторы также отмечают, что сравнения между разными бенчмарками следует трактовать осторожно. Это исследовательская модель для поддержки анализа, а не подтверждённая замена клиническому заключению. Репозиторий использует формат safetensors; лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов под той же лицензией, но запрещает коммерческое использование.

Сценарии применения

  • локализация поражений на офтальмологических изображениях
  • сравнение нескольких изображений глаза
  • анализ снимков глазного дна
  • составление структурированного офтальмологического отчёта
  • ответы на клинические вопросы с учётом изображения

Ограничения

Результаты основаны на одиночных запусках без доверительных интервалов и статистических тестов; сравнения между бенчмарками ограничены различиями в форматах и сложности. Модель предназначена для поддержки анализа и не подтверждена как замена клиническому решению.

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

Overview

OphVLM-R1 is a lightweight 2B-parameter vision-language model for ophthalmic multimodal reasoning. Starting from InternVL3.5-2B, it first acquires ophthalmic knowledge through LoRA supervised fine-tuning (SFT), then develops progressively harder clinical reasoning skills through four-stage curriculum reinforcement learning. Group Sequence-level Policy Optimization (GSPO) and hard-sample dynamic backtracking are used to improve optimization over long reasoning trajectories and difficult long-tail cases.

This README focuses on the model training pipeline, architecture and algorithms, and experimental results. For dataset construction and distribution details, see the OphReason-Vision dataset repositories below.

Project Resources

Model and Training Framework

OphVLM-R1 uses InternVL3.5-2B as its backbone. Its 2B parameter scale targets deployment in resource-constrained settings while retaining multimodal clinical reasoning capacity. Training consists of two stages.

Two-stage training pipeline

Stage 1: LoRA Supervised Fine-Tuning

The cold-start stage injects ophthalmic domain knowledge with Low-Rank Adaptation:

$$ W_0 + \Delta W = W_0 + BA, \qquad h = W_0x + \frac{\alpha}{r}BAx $$

where \(B \in \mathbb{R}^{d \times r}\), \(A \in \mathbb{R}^{r \times k}\), and \(r \ll \min(d,k)\). The SFT objective is

$$ \mathcal{L}{\mathrm{SFT}}=-\mathbb{E}\left[\sum{t=1}^{\lvert y\rvert}\log\pi_\phi(y_t\mid x,y_{\lt t})\right]. $$

SettingValue
Training subset3,418 cold-start samples
LoRA rank / scaling\(r=64\), \(\alpha=128\)
Target projections\(W_q\), \(W_k\), \(W_v\), \(W_o\)
Learning rate\(1\times10^{-4}\) with cosine annealing
Batch size / epochs32 / 3
Trainable parametersApproximately 0.5%

Stage 2: Curriculum Reinforcement Learning

GSPO computes the policy ratio at sequence level rather than independently clipping token-level ratios:

$$ s_i(\phi)=\left(\frac{\pi_\phi(y_i\mid x)}{\pi_{\phi_{\mathrm{old}}}(y_i\mid x)}\right)^{\frac{1}{\lvert y_i\rvert}}=\exp\left(\frac{1}{\lvert y_i\rvert}\sum_{t=1}^{\lvert y_i\rvert}\log\frac{\pi_\phi(y_{i,t}\mid x,y_{i,\lt t})}{\pi_{\phi_{\mathrm{old}}}(y_{i,t}\mid x,y_{i,\lt t})}\right). $$

The PPO-style objective uses group-normalized advantages:

$$ \mathcal{J}{\mathrm{GSPO}}(\phi)=\mathbb{E}\left[\frac{1}{G}\sum{i=1}^{G}\min\left(s_i\hat A_i,\operatorname{clip}(s_i,1-\varepsilon,1+\varepsilon)\hat A_i\right)\right]. $$

Each stage uses a mixed reward

$$ r(x,y)=\lambda_1r_{\mathrm{rule}}(x,y)+\lambda_2r_{\mathrm{judge}}(x,y), $$

where the judge reward is produced by Intern-S1-mini. The curriculum follows increasing clinical complexity:

  1. Lesion Localization — single-image visual perception.
  2. Multi-image Selection — cross-image comparison.
  3. Report Generation — structured, long-form synthesis.
  4. Knowledge Q&A — integration of visual findings and clinical knowledge.
SettingValue
Group size / clipping\(G=8\), \(\varepsilon=0.2\)
Learning rate\(5\times10^{-6}\)
KL coefficient\(\beta_{\mathrm{KL}}=0.04\)
Reward weights\(\lambda_1=0.6\), \(\lambda_2=0.4\)
Training length2 epochs per curriculum stage

Hard-Sample Dynamic Backtracking

Prompts that repeatedly receive low rewards during the most recent \(k=5\) rounds are resampled on-policy:

$$ P_{\mathrm{sample}}(x,y)\propto f(x,y)^\beta, $$

where \(f(x,y)\) is the consecutive failure count and \(\beta=2.0\). Resampled prompts always receive fresh rollouts, and the resampling share is capped at 30% of each batch.

Training Stack

  • Hardware: 8 NVIDIA GeForce RTX 4090 GPUs (24 GB each).
  • SFT: 4 GPUs.
  • Reinforcement learning: 6 GPUs for training and 2 GPUs for vLLM rollout generation.
  • Software: ms-swift, DeepSpeed ZeRO-3, AdamW, vLLM, and EvalScope.

Experiments

Evaluation Benchmarks

BenchmarkSamplesTasks / sourcesRole
In-Domain2,0004 tasksHeld-out clinical reasoning
Fundus-MMBench62031 tasksFine-grained fundus analysis
OmniMedVQA-Eye10,04411 sourcesOut-of-domain VQA

Main Results

Accuracy is reported in percent. The cross-benchmark average is reference-only because the benchmarks differ in task format, difficulty, and random baseline; per-benchmark comparisons are primary.

ModelIn-DomainFundusOmni-EyeAvg.*
InternVL3.5-2B34.5036.6155.4742.19
InternVL3.5-4B36.2342.1077.5151.95
MedVLM-R1-2B27.8020.8168.0638.89
Lingshu-7B44.2041.2987.4257.64
HuatuoGPT-Vision-7B38.3028.0671.7846.05
FundusExpert-8B31.2054.8464.7150.25
OphthaReason-Intern-2B31.0035.4879.6148.70
OphthaReason-Qwen-3B36.6038.8786.8654.11
OphVLM-R1-2B (ours)38.4042.5888.2456.41

OphVLM-R1 reaches 88.24% on OmniMedVQA-Eye and 42.58% on Fundus-MMBench. Its 56.41% reference average is 4.46 percentage points above InternVL3.5-4B and 2.30 points above OphthaReason-Qwen-3B. Comparisons with off-the-shelf 7B/8B models should be interpreted cautiously because data exposure and parameter scale are not controlled.

Ablation Results

ConfigurationIn-DomainFundusOmni-Eye\(\Delta\) Omni
OphVLM-R1 (full)38.4042.5888.24—
SFT only37.5234.4762.03-26.21
SFT + RL one-shot37.9638.6278.14-10.10
SFT + RL shuffled37.7337.8576.48-11.76
Without Stage 138.1440.4385.62-2.62
Without Stage 238.0240.1785.13-3.11
Without Stage 337.8839.7284.38-3.86
Without Stage 438.0740.3185.47-2.77
Token-level GRPO37.8439.7684.52-3.72
Without hard-sample backtracking38.1140.8386.12-2.12

The ablations show that ordered curriculum RL, sequence-level optimization, and hard-sample backtracking make independent contributions. All reported results are single runs without confidence intervals or significance tests. In addition, the theoretical variance-reduction argument for GSPO is exact only under i.i.d. per-token log-ratio assumptions and is approximate for correlated natural-language tokens.

Citation

@inproceedings{qi2026ophvlm,
  title={OphVLM-R1: Efficient Ophthalmic Reasoning via Curriculum Reinforcement Learning},
  author={Qi, Zishi and Hu, Xiaoya and Pan, Huilin and Gao, Ang and Hou, Jiaxin and Li, Jiankun and Qian, Yongao},
  booktitle={Proceedings of the World Artificial Intelligence Conference Academic (WAICA)},
  year={2026}
}

Acknowledgements

We thank OpenGVLab for the InternVL foundation model and the ophthalmologists who contributed to data review and quality assurance.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
InternVLChatModel
Ревизия весов
91e2b20

0 моделей