/ 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-G-Qwen2.5-VL-3B

Обучение с подкреплением3 профессии

Мультимодальная модель на основе Qwen2.5-VL-3B для исследования визуальных рассуждений и ответов на вопросы по изображениям.

21скачиваний 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-G-Qwen2.5-VL-3B — мультимодальная модель рассуждений, разработанная на основе Qwen2.5-VL-3B-Instruct с применением метода CFPO-G, объединяющего CFPO и GRPO. Она принимает изображение и текстовый запрос, а выдаёт текстовые рассуждения и итоговый ответ. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов.

Модель предназначена для исследований мультимодальных рассуждений, визуального обоснования ответов и обучения с подкреплением для vision-language-моделей. Метод обучения поощряет зависимость вывода от значимых визуальных свидетельств, используя контрфактическое подавление визуальных признаков. Для обучения использован набор ViRL39K примерно из 38,9 тыс. пар «изображение — вопрос — ответ».

Модель распространяется по лицензии Apache-2.0. Результаты обучения зависят от качества визуальных данных и запросов; карточка не приводит количественной оценки качества. Перед распространением или коммерческим использованием обучающих данных следует проверить лицензии и исходные источники ViRL39K.

Сценарии применения

  • ответы на вопросы по изображениям с текстовым обоснованием
  • проверка зависимости визуальных ответов от значимых деталей изображения
  • исследование визуального заземления в vision-language-моделях
  • эксперименты с обучением мультимодальных моделей с подкреплением

Ограничения

Карточка предназначает чекпойнт для исследований и не приводит количественных оценок качества или ограничений по конкретным типам изображений. Перед распространением или коммерческим использованием обучающих данных необходимо проверить лицензии и исходные источники ViRL39K.

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-G-Qwen2.5-VL-3B

CFPO-G-Qwen2.5-VL-3B is a multimodal reasoning model trained from Qwen2.5-VL-3B-Instruct with CFPO-G, a GRPO-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-G-Qwen2.5-VL-3B
  • Base model: Qwen/Qwen2.5-VL-3B-Instruct
  • Training method: CFPO-G, i.e. CFPO integrated with GRPO
  • 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 GRPO, denoted as CFPO-G.

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-G
RL backboneGRPO
Training datasetViRL39K
Number of QA pairs38,870
Training epochs2
Learning rate1e-6
Weight decay1e-2
Responses per prompt5
Response format<think>...</think> + \boxed{}
Counterfactual coefficientwithout 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
f52a6e9

0 моделей