/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,8 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
2 авг 2026

SpatialAxiom-9B

Изображение и текст → текст3 профессии

SpatialAxiom-9B — мультимодальная модель на базе Qwen3.5-9B для пространственного рассуждения по изображениям и видео.

137скачиваний за 30 дней18лайковвеса обновлены5 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

SpatialAxiom-9B — мультимодальная модель пространственного рассуждения, разработанная командой SpatialAxiom на основе Qwen3.5-9B. Это плотная модель на 9 млрд параметров с архитектурой Qwen3.5 VLM: языковая модель с энкодером изображений. Она дообучена методом полного supervised fine-tuning на пространственных данных для анализа сцен в помещении, восприятия от первого лица и многокамерных сценариев.

Модель предназначена для вывода пространственных отношений в 3D, понимания перспективы, сопоставления объектов между ракурсами и анализа видео с точки зрения действий и перемещений. Она принимает изображения и видео вместе с текстовыми запросами и отвечает текстом; поддерживает прямые ответы без режима chain-of-thought. Контекст составляет 262 144 токена и, согласно README, может расширяться до 1 010 000 токенов. Для работы требуются актуальные версии Transformers или vLLM с поддержкой Qwen3.5.

В README заявлены высокие результаты на нескольких бенчмарках пространственного понимания, однако они приведены авторами модели. Модель не поддерживает режим thinking и переключатели /think и /nothink; включать thinking при инференсе не следует. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Сценарии применения

  • определение взаимного расположения объектов в сцене
  • оценка размеров и планировки помещения по изображению
  • сопоставление объектов между несколькими ракурсами
  • описание маршрута и перемещений в видео от первого лица
  • ответы на вопросы о пространственной перспективе

Ограничения

Модель рассчитана на прямые ответы: режим thinking и переключатели /think и /nothink не поддерживаются. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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

SpatialAxiom-9B

Introduction

We are thrilled to release SpatialAxiom, an open spatial intelligence model for general spatial reasoning that achieves significant advances in 3D relational inference, perspective taking, multi-view correspondence, and embodied video understanding. Built on the Qwen3.5 VLM family without altering the base architecture, SpatialAxiom derives its strength from a spatial data-centric training recipe: a systematic taxonomy of spatial tasks, balanced task distribution, and data synthesis to raise data quality, applied to large-scale spatial supervision spanning indoor scenes, egocentric views, and multi-camera settings. Trained purely with full-parameter SFT, SpatialAxiom serves as a clean starting point for further post-training. We release two open-weight models: SpatialAxiom-9B, a compact dense model, and SpatialAxiom-35B-A3B, a mixture-of-experts model with 3B active parameters.

Highlights

  • Leading spatial reasoning: On average, our models surpass proprietary models and larger open-source alternatives, with leading results on VSI-Bench, MMSI-Bench, MindCube, ViewSpatial, and EmbSpatial.

  • Spatial data-centric training recipe: A systematic taxonomy of spatial tasks, balanced task distribution, and data synthesis to raise data quality. SpatialAxiom is trained purely with full-parameter SFT and serves as a clean starting point for downstream fine-tuning or RL.

  • Qwen3.5 VLM backbone: Inherits the Qwen3.5 vision-language model architecture, preserving a general-purpose multimodal design without task-specific architectural modifications.

  • Open-weight release: SpatialAxiom-9B and SpatialAxiom-35B-A3B are publicly released on Hugging Face, compatible with transformers and vLLM out of the box.

Average Score

Benchmark Results

Model Overview

  • Type: Causal Language Model with Vision Encoder
  • Training Stage: Pre-training & Post-training
  • Language Model
    • Number of Parameters: 9B
    • Hidden Dimension: 4096
    • Token Embedding: 248320 (Padded)
    • Number of Layers: 32
    • Hidden Layout: 8 × (3 × (Gated DeltaNet → FFN) → 1 × (Gated Attention → FFN))
    • Gated DeltaNet:
      • Number of Linear Attention Heads: 32 for V and 16 for QK
      • Head Dimension: 128
    • Gated Attention:
      • Number of Attention Heads: 16 for Q and 4 for KV
      • Head Dimension: 256
      • Rotary Position Embedding Dimension: 64
    • Feed Forward Network:
      • Intermediate Dimension: 12288
    • LM Output: 248320 (Padded)
    • MTP: trained with multi-steps
  • Context Length: 262,144 natively and extensible up to 1,010,000 tokens.

Spatial Benchmark Results

RankModelAvgVSI-BenchMMSI-BenchMindCubeViewSpatialSITEBLINK3DSREmbSpatial
1SpatialAxiom-35B-A3B70.872.850.091.766.856.475.866.386.6
2SpatialAxiom-9B70.670.251.892.570.653.376.964.285.1
3Gemini-3.5-Flash69.263.150.777.656.070.680.072.583.1
4Qwen3.7-Plus66.663.345.068.654.971.376.069.783.8
5Gemini-3.1-Pro66.557.549.576.453.167.077.367.384.0
6SenseNova-SI-1.5-InternVL3-8B64.467.338.392.159.047.569.561.180.4
7Qwen3.6-27B61.659.841.159.951.566.070.660.783.4
8Kimi-K2.661.354.937.967.446.763.675.264.180.8
9Qwen3.5-35B-A3B61.258.141.963.550.861.470.559.883.6
10GPT-5.560.760.442.265.546.558.373.359.080.3
11Qwen3.6-35B-A3B60.556.040.260.450.763.469.360.083.8
12Gemma-4-31B57.248.137.063.345.358.070.354.481.0
13Qwen3.5-9B55.954.338.757.648.242.367.656.881.5
14Seed1.654.249.938.348.843.954.665.956.975.4
15InternVL3.5-8B49.056.129.040.240.043.858.249.275.7
16Gemma-4-26B-A4B47.832.929.248.841.739.763.853.672.3
17BAGEL-7B-MoT45.331.431.034.741.337.063.650.273.1
18Cambrian-S-7B45.162.927.137.941.336.137.945.072.8

Quickstart

[!Important] SpatialAxiom-9B is fine-tuned from Qwen3.5-9B for direct (non-thinking) responses only. It does not produce thinking blocks (no chain-of-thought wrapped in special tags). Do not enable thinking mode at inference time (enable_thinking must remain false). The model does not support /think or /nothink soft switches.

Transformers (image)

The latest transformers with Qwen3.5 VLM support is required. Make sure torchvision and pillow are installed.

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "<HF_REPO_ID>"
model = AutoModelForMultimodalLM.from_pretrained(
    model_id, dtype="bfloat16", device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "room.jpg"},
            {
                "type": "text",
                "text": "If I stand at the door facing the bed, is the chair to my left or right?",
            },
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
    enable_thinking=False,
).to(model.device)

out = model.generate(**inputs, max_new_tokens=32768)
print(
    processor.batch_decode(
        out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True
    )[0]
)

Transformers (video)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "url": "https://example.com/walkthrough.mp4"},
            {
                "type": "text",
                "text": "Estimate the size of the room in square meters and describe the route taken.",
            },
        ],
    }
]
# Same apply_chat_template / generate flow as above.

Serving with vLLM

vLLM is recommended for production serving. A recent vLLM build with Qwen3.5 support is required, which can be installed in a fresh environment with:

uv pip install vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly
vllm serve <HF_REPO_ID> \
  --port 8000 \
  --tensor-parallel-size 1 \
  --max-model-len 65536 \
  --default-chat-template-kwargs '{"enable_thinking": false}' \
  --served-model-name spatialaxiom-9b

This creates an OpenAI-compatible API at http://localhost:8000/v1. If you encounter OOM errors, reduce --max-model-len (e.g. to 32768). For multi-view or long-video spatial tasks, 32K–64K context is typically sufficient.

OpenAI-compatible API

Install the OpenAI SDK and point it at your vLLM server:

pip install -U openai

export OPENAI_BASE_URL="http://localhost:8000/v1"
export OPENAI_API_KEY="EMPTY"

Image input

from openai import OpenAI

client = OpenAI()

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image_url", "image_url": {"url": "https://example.com/room.jpg"}},
            {
                "type": "text",
                "text": "If I stand at the door facing the bed, is the chair to my left or right?",
            },
        ],
    }
]

chat_response = client.chat.completions.create(
    model="spatialaxiom-9b",
    messages=messages,
    max_tokens=32768,
    temperature=0,
    top_p=0.95,
)
print(chat_response.choices[0].message.content)

Video input

from openai import OpenAI

client = OpenAI()

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video_url",
                "video_url": {"url": "https://example.com/walkthrough.mp4"},
            },
            {
                "type": "text",
                "text": "Describe the spatial layout and the route taken through the room.",
            },
        ],
    }
]

# Video frame sampling (vLLM): default fps=2, do_sample_frames=True.
# Customizing fps via extra_body requires launching vLLM with
# --media-io-kwargs '{"video": {"num_frames": -1}}'.
chat_response = client.chat.completions.create(
    model="spatialaxiom-9b",
    messages=messages,
    max_tokens=32768,
    temperature=0,
    top_p=0.95,
    extra_body={
        "mm_processor_kwargs": {"fps": 2, "do_sample_frames": True},
    },
)
print(chat_response.choices[0].message.content)

If the vLLM server was not launched with --default-chat-template-kwargs '{"enable_thinking": false}', add it per request:

extra_body={
    "chat_template_kwargs": {"enable_thinking": False},
}

Citation

If you find our work helpful, feel free to give us a cite.

@misc{spatialaxiom,
    title  = {SpatialAxiom: An Open Spatial Intelligence Model for General Spatial Reasoning},
    author = {Lou, Yujing and Chen, Pingyi and Cao, Shen and Gu, Jiaqi and Guo, Jinhui and Tong, Jintao and Hao, Yunzhuo and Liu, Yao and Wu, Yue and Fan, Lubin and Ye, Jieping},
    month  = {July},
    year   = {2026},
    url    = {https://d2i-ai.github.io/SpatialAxiom}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
bfb2cc3

0 моделей