THUdyh разработала Insight-V-Reason — мультимодальную модель на 7,1 млрд параметров для генерации текста и рассуждений по визуальным данным. Она основана на Qwen2.5-7B-Instruct и архитектуре LlavaQwen2 с визуальным энкодером Oryx-ViT. Модель обучена на смеси из 200 тысяч примеров для улучшения визуального рассуждения; поддерживает английский и китайский языки и контекст до 32 768 токенов.

Модель предназначена для задач, где требуется анализировать изображение, разбивать визуальную задачу на этапы рассуждения и формировать итоговое текстовое объяснение или краткое изложение. В README описаны конвейер генерации данных рассуждений, многоагентная декомпозиция задач и двухэтапное обучение. Весовые файлы доступны в формате safetensors.

Лицензия — Apache-2.0. Карточка описывает модель как основу для исследований мультимодального рассуждения, но не приводит количественных оценок качества или подробностей ограничений; поэтому применимость к конкретным изображениям и сценариям следует проверять отдельно.