/ 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
Библиотека
transformers
Опубликована
18 мая 2025

VisionReasoner-7B

Сегментация изображенийИзображение → mask3 профессии

VisionReasoner-7B — дообученная на базе Qwen2.5-VL модель, которая рассуждает по изображению и создаёт пиксельные маски объектов по текстовым запросам.

733скачиваний за 30 дней9лайковвеса обновлены2 июл 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 «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

VisionReasoner-7B — модель для визуального рассуждения и сегментации изображений, разработанная в рамках фреймворка Seg-Zero. Это плотная модель семейства Qwen2.5-VL на 7,1 млрд параметров, дообученная с помощью обучения с подкреплением GRPO без явных данных с цепочками рассуждений. Архитектура разделена на модель рассуждений и модель сегментации: первая интерпретирует запрос, формирует текстовое объяснение и пространственные подсказки, а вторая по ним строит пиксельные маски.

Модель предназначена для сегментации объектов по текстовому запросу и визуального ответа на запросы о содержимом изображения. В README сообщается о нулевой точечной оценке 57,5 на ReasonSeg и улучшении на 18% относительно LISA-7B. Репозиторий содержит веса safetensors; модель рассчитана на Transformers и имеет контекст до 128 000 токенов. Карточка связывает её с датасетами COCO, ReasonSeg, CountBench и наборами refCOCOg и multi-object. Основной язык карточки — английский. Лицензия — Apache-2.0.

Сценарии применения

  • сегментация объекта на изображении по текстовому описанию
  • выделение нескольких объектов по запросу
  • поиск и сегментация объекта по его роли или контексту в сцене
  • получение текстового обоснования перед построением маски

Ограничения

Заявленные показатели относятся к ReasonSeg и не гарантируют аналогичное качество на других данных и типах запросов. Модель выдаёт явные цепочки рассуждений, которые могут содержать ошибки.

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

VisionReasoner-7B from the Seg-Zero Framework

This repository contains the VisionReasoner-7B model, developed as part of the novel Seg-Zero framework, presented in the paper Seg-Zero: Reasoning-Chain Guided Segmentation via Cognitive Reinforcement. This model is also associated with the paper VisionReasoner: Unified Visual Perception and Reasoning via Reinforcement Learning.

Code: https://github.com/dvlab-research/Seg-Zero Project page: https://github.com/dvlab-research/Seg-Zero

Description

Seg-Zero is a novel framework that demonstrates remarkable generalizability and derives explicit chain-of-thought reasoning through cognitive reinforcement for reasoning segmentation. This VisionReasoner-7B model employs a decoupled architecture consisting of a reasoning model and a segmentation model. The reasoning model interprets user intentions, generates explicit reasoning chains, and produces positional prompts, which are subsequently used by the segmentation model to generate precise pixel-level masks.

Trained exclusively via reinforcement learning with GRPO and without explicit reasoning data, Seg-Zero achieves robust zero-shot generalization and exhibits emergent test-time reasoning capabilities. Experiments show that Seg-Zero-7B achieves a zero-shot performance of 57.5 on the ReasonSeg benchmark, surpassing the prior LISA-7B by 18%. This significant improvement highlights Seg-Zero's ability to generalize across domains while presenting an explicit reasoning process.

Usage

You can load and use this model with the transformers library:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# load model
model = AutoModelForCausalLM.from_pretrained("Ricky06662/VisionReasoner-7B")
tokenizer = AutoTokenizer.from_pretrained("Ricky06662/VisionReasoner-7B")

For full inference examples, including image processing and input formatting, please refer to the project's GitHub repository.

Citation

If you find our work helpful or inspiring, please feel free to cite our papers:

@article{liu2025segzero,
  title        = {Seg-Zero: Reasoning-Chain Guided  Segmentation via Cognitive Reinforcement},
  author       = {Liu, Yuqi and Peng, Bohao and Zhong, Zhisheng and Yue, Zihao and Lu, Fanbin and Yu, Bei and Jia, Jiaya},
  journal      = {arXiv preprint arXiv:2503.06520},
  year         = {2025}
}

@article{liu2025visionreasoner,
  title        = {VisionReasoner: Unified Visual Perception and Reasoning via Reinforcement Learning},
  author       = {Liu, Yuqi and Qu, Tianyuan and Zhong, Zhisheng and Peng, Bohao and Liu, Shu and Yu, Bei and Jia, Jiaya},
  journal = {arXiv preprint arXiv:2505.12081},
  year         = {2025}
}

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
d27f35b

0 моделей