/ 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
28 мая 2025

Qwen2.5-VL-7B-VRAG

Изображение и текст → текст9 профессий

Дообученная мультимодальная модель Qwen2.5-VL для поиска и ответов на вопросы по изображениям и визуально насыщенным документам.

145скачиваний за 30 дней16лайковвеса обновлены4 июн 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

Qiuchen-Wang/Qwen2.5-VL-7B-VRAG — мультимодальная модель семейства Qwen2.5-VL, дообученная для визуального поиска с дополненной генерацией (RAG). Она сочетает анализ изображений с поиском по коллекциям изображений и документов, чтобы отвечать на вопросы по визуально насыщенным материалам. Модель предназначена для извлечения сведений из слайдов и отчётов, понимания диаграмм, таблиц и структуры документов, а также многошагового поиска релевантной информации.

Модель построена на Qwen/Qwen2.5-VL-7B-Instruct, имеет 7,1 млрд параметров, принимает текст и изображения и выдаёт текст. В метаданных указаны контекст до 128 000 токенов и библиотека Transformers. README описывает визуальное пространство действий для последовательного изучения областей изображения и многошаговое взаимодействие с поисковыми системами; конкретная интеграция поиска зависит от внешней системы. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по слайдам и отчётам
  • извлечение данных из таблиц и диаграмм
  • поиск изображений и документов по коллекции
  • анализ структуры и компоновки документов
  • многошаговый поиск визуальных свидетельств для ответа

Ограничения

Для поиска релевантных изображений и документов модель взаимодействует с поисковыми системами, поэтому результат зависит от доступности и качества внешнего поиска. В README не приведены количественные оценки качества.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Arxiv: https://arxiv.org/abs/2505.22019

Github: https://github.com/Alibaba-NLP/VRAG

🎉 The training code and demo will be released.

✨ Model Description

VRAG is a Retrieval-Augmented Generation (RAG) model specifically designed for handling visually rich information. It integrates visual perception capabilities and is optimized via a reinforcement learning (RL) framework to significantly enhance the understanding and reasoning of visual content. The model can interact with search engines to efficiently retrieve relevant images and documents and generate accurate answers.

VRAG enables VLMs to progressively gather information from a coarse-grained to a fine-grained perspective. It is a purely visual RAG agent. VRAG-RL is a novel reinforcement learning framework tailored for training VLMs to effectively reason, retrieve, and understand visually rich information.

💻 Intended Use

  • Visual Document Question Answering: Extracting information from slides, reports, and other documents to answer questions.
  • Multimodal Information Retrieval: Searching for relevant images and text within large-scale visual document collections.
  • Chart and Layout Understanding: Analyzing charts, tables, and layout structures to extract key information.

🤔 Key Features

Visual Perception: Equipped with a visual perception action space, the model can focus on information-dense regions of images and acquire information from coarse to fine levels. Enhanced Retrieval: Optimized retrieval efficiency through a fine-grained reward function, ensuring the model quickly retrieves relevant images and documents. Multi-turn Reasoning: Supports multi-turn interactions, allowing the model to build a high-quality context through multiple interactions with search engines.

🚀 Quick Start

Please refer to https://github.com/Alibaba-NLP/VRAG.

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
df68c22

0 моделей