/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
2 дек 2025

CodeV-RL

Изображение и текст → текст3 профессии

CodeV — дообученная мультимодальная модель для визуального рассуждения и поиска по изображениям с использованием операций над изображениями.

148скачиваний за 30 дней2лайкавеса обновлены5 дек 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

CodeV — мультимодальная модель RenlyH для визуального рассуждения, дообученная на основе Qwen/Qwen2.5-VL-7B-Instruct с использованием Tool-Aware Policy Optimization (TAPO). Она предназначена для задач, где нужно анализировать изображения и выполнять визуальный поиск с помощью операций над изображениями, а также для мультимодальных задач на рассуждение и математику. Модель имеет архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает изображения и текст и формирует текстовые ответы; заявленная длина контекста — 128 000 токенов.

Карточка сообщает о конкурентной точности на бенчмарках визуального поиска и рассуждений и о более частом корректном использовании инструментов.

Сценарии применения

  • визуальный поиск объектов и деталей на изображении
  • ответы на вопросы о содержимом изображения
  • мультимодальные математические задачи с изображениями
  • визуальное рассуждение с вызовом операций над изображением

Ограничения

Заявления о качестве основаны на бенчмарках из карточки; сведений о работе вне этих оценок не приведено. Для использования требуется мультимодальная инфраструктура, поддерживающая обработку изображений и вызов визуальных операций.

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

CodeV is a code-based visual agent trained with Tool-Aware Policy Optimization (TAPO) for faithful visual reasoning. This agentic vision-language model is designed to "think with images" by calling image operations, addressing unfaithful visual reasoning in prior models. CodeV achieves competitive accuracy and substantially increases faithful tool-use rates on visual search benchmarks, also demonstrating strong performance on multimodal reasoning and math benchmarks.

This model was presented in the paper CodeV: Code with Images for Faithful Visual Reasoning via Tool-Aware Policy Optimization.

Code: https://github.com/RenlyH/CodeV

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
d3454eb

0 моделей