/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Опубликована
5 мая 2026

SpatialReward-8B

Изображение и текст → текст3 профессии

SpatialReward-8B оценивает, насколько хорошо изображения отредактированы по текстовой инструкции, и выдаёт оценки, пригодные для обучения с подкреплением.

85скачиваний за 30 дней2лайкавеса обновлены5 мая 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

SpatialReward-8B — модель оценки вознаграждения для редактирования изображений по текстовым инструкциям, разработанная авторами SpatialReward. Она сравнивает исходное и отредактированное изображения с инструкцией, предсказывает области изменений в виде ограничивающих рамок и связывает оценку смысла с пространственными свидетельствами на изображении. Модель предназначена для автоматической оценки результатов редактирования и использования оценок как сигнала вознаграждения при обучении с подкреплением.

Модель основана на Qwen/Qwen3-VL-8B-Instruct и дообучена на SpatialReward-Train; архитектура — плотная Qwen3-VL для генерации текста по текстовым и визуальным входам. Авторы сообщают о высокой точности на собственном бенчмарке MER-Bench и применении модели для стабилизации RL-обучения редактированию изображений. Лицензия — Apache-2.0.

Сценарии применения

  • оценка соответствия отредактированного изображения текстовой инструкции
  • сравнение исходного и отредактированного изображения по качеству изменений
  • выявление областей изображения, затронутых редактированием
  • формирование сигнала вознаграждения для RL-обучения моделей редактирования изображений

Ограничения

Модель специализирована на оценке редактирования изображений по инструкциям; результаты на MER-Bench не гарантируют качество для других типов визуальных задач. Описание не приводит количественных характеристик точности за пределами заявления авторов о превосходстве на собственном бенчмарке.

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

SpatialReward is a state-of-the-art reward model for instruction-guided image editing that addresses the critical "Attention Collapse" problem through explicit spatial reasoning. By anchoring semantic judgments to predicted edit regions via bounding boxes, SpatialReward achieves unprecedented accuracy and reliability as both an evaluator and RL training signal.

🔥 News

  • 2026-05-05: 🎉 We have open-sourced the SpatialReward-8B model weights, MER-Bench benchmark, and SpatialReward-Train (260k spatial-aware training data)!
  • 2026-05-01: 🎉 SpatialReward has been accepted to ICML 2026!
  • 2026-02-12: We have released the inference code, reward server, and training configurations!
  • 2026-02-07: The paper is available on arXiv.

📌 Introduction

Online Reinforcement Learning (RL) holds immense potential for advancing instruction-guided image editing, but its progress has been severely hindered by a critical perception gap we term "Attention Collapse". Existing reward models frequently neglect cross-image comparisons and fail to capture fine-grained editing details, leading to inaccurate evaluations and unstable RL training.

To overcome this, we propose SpatialReward, which:

  • Introduces MER-Bench: A new benchmark featuring multi-edit scenarios and expert human annotations for measuring reward model quality.
  • Enforces spatial reasoning: Predicts bounding boxes for edit regions and anchors semantic judgments to pixel-level evidence.

🚀 Quick Start

Installation

git clone https://github.com/Kwai-Keye/SpatialReward.git
cd SpatialReward

conda create -n spatialreward python=3.11 -y
conda activate spatialreward

pip install torch==2.8.0 torchvision --extra-index-url https://download.pytorch.org/whl/cu126
pip install -r requirements.txt

Reward Server

# Start reward server
cd example/reward/server
bash start_servers.sh
bash start_proxy.sh

# Query from client
from example.reward.client.reward_client_edit import RewardClient

client = RewardClient(proxy_host="127.0.0.1", proxy_port=23456)
scores, rewards, reasoning, meta_data = client.evaluate(
    input_images=[input_img],
    output_image=[output_img],
    meta_datas=[{"instruction": "Remove the dog"}]
)

📊 Benchmark Evaluation

Model and data are loaded directly from HuggingFace by default.

# MER-Bench
bash eval/MERBench/run.sh

# MMRB2
bash eval/MMRB2/run.sh

# EditReward-Bench
bash eval/EditReward-Bench/run.sh

📚 Datasets

DatasetDescriptionLink
SpatialReward-Train260k spatial-aware training data (SFT + RL)🤗 Hub
MER-BenchMultiEditReward-Bench evaluation benchmark🤗 Hub

🎯 Training

SFT (LLaMA-Factory)

llamafactory-cli train example/SpatialReward-train/sft/qwen3vl_lora_spatial_reward.yaml

RL (ms-swift / GRPO)

# Replace ORM first
cp example/SpatialReward-train/rl/orm.py <ms-swift>/swift/plugin/orm.py
bash example/SpatialReward-train/rl/run_mater.sh

RL Results on OmniGen2

🙏 Acknowledgements

We thank EditScore and EditReward for valuable references.

❤️ Citing Us

@article{long2026spatialreward,
  title={SpatialReward: Bridging the Perception Gap in Online RL for Image Editing via Explicit Spatial Reasoning},
  author={Long, Yancheng and Yang, Yankai and Wei, Hongyang and Chen, Wei and Zhang, Tianke and Fan, Haonan and Liu, Changyi and Jiang, Kaiyu and Chen, Jiankang and Tang, Kaiyu and Wen, Bin and Yang, Fan and Gao, Tingting and Li, Han and Yang, Shuo},
  journal={arXiv preprint arXiv:2602.07458},
  year={2026}
}

📄 License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
916a64f

0 моделей