/ 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
16 июл 2026

ReGround-Qwen2.5-VL-7B

Изображение и текст → текст4 профессии

Мультимодальная модель SESPOIR на базе Qwen2.5-VL-7B-Instruct для визуальных рассуждений с возможностью повторно запросить изображение для проверки ответа.

67скачиваний за 30 дней1лайквеса обновлены6 авг 2026

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

ReGround Qwen2.5-VL-7B — мультимодальная модель SESPOIR для визуальных рассуждений. Она дообучена в два этапа на основе Qwen/Qwen2.5-VL-7B-Instruct: полное supervised fine-tuning на структурированных траекториях рассуждений, затем оптимизация GRPO для поведения самодиагностики и повторного изучения изображения. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; при необходимости она может запросить повторную подачу исходного изображения через контроллер инференса.

Модель подходит для вопросов по изображениям и сценариев, где полезно перепроверить визуальные данные перед ответом. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; нативный контекст — 128 000 токенов. В метаданных указан английский язык. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Модель может ошибаться в рассуждениях и ответах, а также запрашивать повторную проверку изображения без необходимости. Для важных решений ответы следует независимо проверять.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • визуальные рассуждения с повторной проверкой исходного изображения
  • анализ сложных сцен по изображению
  • построение мультимодального чат-ассистента для анализа изображений

Ограничения

Модель может ошибаться в рассуждениях и ответах, а также без необходимости запрашивать повторную проверку изображения. Для важных решений ответы нужно независимо проверять.

Для каких профессий подходит4

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

ReGround Qwen2.5-VL-7B

This is the final model checkpoint for ReGround (Project Page, GitHub), a visual reasoning method that teaches a vision-language model to request fresh visual evidence through a structured <reground> self-diagnosis.

When <reground> is emitted, the inference controller should re-inject the original image and ask the model to complete its reasoning and final answer. The public repository provides the two-round inference adapter, data construction pipeline, SFT recipe, and Stage-2 GRPO implementation.

The released weights were trained in two stages: full-parameter supervised fine-tuning on structured ReGround trajectories, followed by GRPO policy optimization of the re-examination behavior.

Usage

from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration

model_id = "SESPOIR/ReGround-Qwen2.5-VL-7B"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_id,
    dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_id)

For complete two-round visual inference and evaluation, follow the ReGround repository.

Training

Stage 1 applies full-parameter supervised fine-tuning to Qwen2.5-VL-7B-Instruct using structured visual reasoning trajectories. Stage 2 uses GRPO to optimize self-diagnosis, answer accuracy, and output format. The training format uses <think>, <reground>, and <answer> blocks; portable configurations for both stages are available in the project repository.

Limitations

The model can produce incorrect reasoning or answers and may trigger visual re-examination unnecessarily. It is intended for research use and should not be relied on for high-stakes decisions without independent verification.

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
5b16b1f

0 моделей