/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
4 июл 2026

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

Обучение с подкреплением3 профессии

Экспериментальная мультимодальная модель на базе Qwen2.5-VL-3B для исследования визуально обоснованных рассуждений и обучения с подкреплением.

17скачиваний за 30 дней0лайковвеса обновлены5 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

CFPO-D-Qwen2.5-VL-3B — мультимодальная модель рассуждений, разработанная на базе Qwen/Qwen2.5-VL-3B-Instruct и обученная методом CFPO-D, сочетающим CounterFactual Policy Optimization с DAPO. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения вместе с текстовыми запросами; контекст — до 128 000 токенов.

Модель предназначена для исследовательских экспериментов с мультимодальными рассуждениями, визуальным обоснованием ответов и обучением vision-language моделей с подкреплением. При обучении на наборе ViRL39K контрфактическое вмешательство подавляет важные визуальные признаки, чтобы поощрять зависимость ответа от визуальных свидетельств, а не только от языковых закономерностей. На выходе модель формирует текстовые рассуждения и ответ. Лицензия модели — Apache-2.0; перед распространением или коммерческим использованием данных обучения следует проверить лицензии ViRL39K и исходных материалов.

Сценарии применения

  • исследование рассуждений по изображению и текстовому вопросу
  • проверка зависимости ответа от визуальных свидетельств
  • эксперименты по визуальному обоснованию ответов
  • исследование обучения vision-language моделей с подкреплением

Ограничения

Чекпойнт предназначен для исследований, а карточка не приводит оценок качества или гарантий пригодности для прикладного использования. Условия перераспространения и коммерческого использования обучающих данных ViRL39K следует проверять отдельно.

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

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

CFPO-D-Qwen2.5-VL-3B is a multimodal reasoning model trained from Qwen2.5-VL-3B-Instruct with CFPO-D, a DAPO-based variant of CounterFactual Policy Optimization (CFPO).

CFPO is designed to improve causal consistency between visual perception and textual reasoning in Large Vision-Language Models. Instead of only optimizing final-answer correctness, CFPO introduces a counterfactual visual-evidence intervention during policy optimization. The model is encouraged to produce reasoning that is sensitive to relevant visual evidence rather than relying mainly on language priors or shortcut reasoning.

This checkpoint is intended for research on multimodal reasoning, visual grounding, and reinforcement learning for vision-language models.

Model Details

  • Model name: CFPO-D-Qwen2.5-VL-3B
  • Base model: Qwen/Qwen2.5-VL-3B-Instruct
  • Training method: CFPO-D, i.e. CFPO integrated with DAPO
  • Training dataset: ViRL39K
  • Task type: image-text-to-text multimodal reasoning
  • Input: image + text prompt
  • Output: textual reasoning and final answer
  • Project repository: https://github.com/Raven-July/CFPO
  • Paper: https://arxiv.org/abs/2606.23206

Method Summary

CFPO introduces a cross-modal counterfactual intervention into the reinforcement learning loop. Given an image-question pair, the model first produces a factual policy distribution from the original visual-textual representation. CFPO then constructs a counterfactual path by suppressing high-saliency cross-modal visual cues at the representation level.

If removing critical visual evidence does not affect the model prediction, the answer is likely driven by language priors rather than genuine visual reasoning. CFPO therefore regularizes the policy by encouraging divergence between factual and counterfactual policy distributions.

In this checkpoint, CFPO is integrated with DAPO, denoted as CFPO-D.

Training Data

The model is trained on ViRL39K, a verifiable multimodal reasoning dataset containing approximately 38.9K image-question-answer pairs for vision-language reinforcement learning.

Please check the dataset license and original sources before redistribution or commercial use.

Training Details

Key training settings:

ItemValue
Base modelQwen2.5-VL-3B-Instruct
Training methodCFPO-D
RL backboneDAPO
Training datasetViRL39K
Number of QA pairs38,870
Training epochs2
Learning rate1e-6
Weight decay1e-2
Responses per prompt5
Response format<think>...</think> + \boxed{}
Counterfactual coefficient γ0.01, with Ent regularization
Saliency thresholdμ + 2σ
Hardware2 × NVIDIA A800 80G

Citation

If you use this model or the CFPO method, please cite:

@misc{yu2026cfpocounterfactualpolicyoptimization,
  title={CFPO: Counterfactual Policy Optimization for Multimodal Reasoning},
  author={Zhangyuan Yu and Wanran Sun and Guangjing Yang and Xiaohu Wu and Qicheng Lao},
  year={2026},
  eprint={2606.23206},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2606.23206}
}

Please also cite Qwen2.5-VL if you use this checkpoint:

@misc{qwen2.5-VL,
  title={Qwen2.5-VL},
  url={https://qwenlm.github.io/blog/qwen2.5-vl/},
  author={Qwen Team},
  month={January},
  year={2025}
}

License

This repository is released under the Apache-2.0 license. The base model is derived from Qwen/Qwen2.5-VL-3B-Instruct; users should also comply with the license and usage terms of the original Qwen2.5-VL model.

Acknowledgements

This model is based on Qwen2.5-VL-3B-Instruct and trained with the CFPO framework. The CFPO implementation builds upon existing open-source reinforcement learning infrastructure for large vision-language models.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
7bf281d

0 моделей