/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
10 апр 2026

RationalRewards-8B-T2I

Описание изображенийИзображение → текст3 профессии

Модель оценки изображений с рассуждениями и структурированной критикой для обучения и уточнения систем генерации изображений.

51скачиваний за 30 дней6лайковвеса обновлены14 апр 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 «Распознавание текста» — 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

RationalRewards — модель оценки изображений, разработанная исследователями HKUST, Университета Ватерлоо и Alibaba. На основе Qwen3-VL-Instruct-8B она анализирует изображения, формирует многомерные критические замечания и выставляет оценки для задач генерации изображений по тексту и редактирования изображений.

Модель предназначена для оценки соответствия изображения инструкции, визуального качества, композиции и правдоподобия. Её можно применять как источник структурированных сигналов вознаграждения при обучении генераторов с RL, а также для цикла Generate-Critique-Refine: критика результата используется для целевого уточнения промпта без изменения параметров генератора. В метаданных указаны архитектура Qwen3-VL, 8B-базовая модель Qwen3-8B, библиотека Transformers и формат safetensors; README описывает английский язык.

В README сообщается о сильных результатах в прогнозировании предпочтений и улучшении генерации, но численные гарантии качества для конкретных задач не приводятся. Модель оценивает и критикует изображения, а не генерирует их самостоятельно. Лицензия — Apache-2.0.

Сценарии применения

  • оценка соответствия сгенерированного изображения текстовому запросу
  • критика композиции и визуального качества изображения
  • получение структурированных сигналов вознаграждения для RL-обучения генератора
  • подбор уточнений промпта в цикле Generate-Critique-Refine
  • оценка результатов редактирования изображений

Ограничения

Модель оценивает изображения и выдаёт критику, но сама не генерирует изображения. Заявленные в README результаты относятся к описанным там экспериментам; качество на иных данных не гарантировано.

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

TLDR: this is a reasoning reward model that supports text-to-image generation, from the following paper.


RationalRewards: Reasoning Rewards Scale Visual Generation Both Training and Test Time


RationalRewards is a reasoning-based reward model and toolkit for visual generation. Instead of reducing preference into one opaque scalar, it generates explicit multi-dimensional critiques before scoring, turning reward models from passive evaluators into active optimization interfaces.

About the name: "Rational" means being reasonable, sensible, in Chinese, 理性的

RationalRewards supports optimization in complementary spaces:

  • train-time optimization through RL with structured, interpretable reward signals, and
  • test-time optimization through a Generate-Critique-Refine loop without parameter updates.

Key Results

Instantiated via PARROT on a Qwen3-VL-Instruct-8B backbone, RationalRewards achieves state-of-the-art preference prediction among open-source reward models and remains competitive with Gemini-2.5-Pro. As an RL reward, it consistently improves generators beyond scalar baselines across both text-to-image and image-editing tasks. Most interestingly, RationalRewards' test-time prompt tuning, requiring no parameter updates, matches or exceeds RL-based fine-tuning on several benchmarks.

RationalRewards teaser

Train-time RL and test-time prompt tuning with RationalRewards across visual generation benchmarks.

Why Reasoning Rewards?

Most reward models collapse instruction following, visual quality, composition, and plausibility into one scalar. This removes the structure of human judgment and often leads to brittle optimization. RationalRewards keeps those dimensions explicit so generators receive semantically grounded feedback about what to fix and why.

Why do reasoning rewards resist reward hacking?

Scalar rewards are vulnerable to reward hacking because they collapse rich judgment into one number that can rise even when outputs do not truly improve. RationalRewards introduces an implicit regularization: before giving scores, it must produce coherent, multi-dimensional critiques tied to concrete evaluation axes. This constrains optimization to evidence-backed reasoning and improves the monotonic relationship between reward and observed quality during RL.

Why are preference-trained rewards more stable than generic VLM judges?

Generic VLM judges can be strong analysts, but as reward functions they often show high-variance pointwise scoring across semantically similar samples. That variance becomes optimization noise in RL. PARROT trains RationalRewards directly for preference discrimination, yielding lower-variance, preference-aligned scores. The practical outcome is more stable optimization steps and better reward reliability, even with a smaller model footprint.

Why do reasoning rewards enable test-time scaling?

Reasoning feedback can be reused after generation, not only during training. In a Generate-Critique-Refine loop, RationalRewards critiques the produced image, identifies concrete deficiencies, and proposes targeted prompt updates. Unlike pre-hoc prompt enhancement that rewrites blindly, this is post-hoc and reactive to actual failures. That makes test-time compute more effective at eliciting latent generator capability, often approaching or surpassing RL fine-tuning gains without parameter updates.

RationalRewards usage overview

RationalRewards supports optimization in both parameter space (RL) and prompt space (test-time refinement).

Method: Preference-Anchored Rationalization (PARROT)

Human rationale annotation is expensive. PARROT recovers high-quality rationale supervision from preference-only data in three phases:

  1. Anchored generation: a teacher VLM proposes rationale candidates consistent with known labels.
  2. Consistency filtering: hallucinated or non-predictive rationales are removed.
  3. Distillation: a student model learns to critique-before-score without seeing labels.

This gives a practical path from abundant preference datasets to scalable reasoning supervision.

PARROT pipeline

PARROT pipeline: anchored rationale generation, consistency filtering, and distillation.

Empirical Evidence

RationalRewards strengthens both alignment quality and downstream optimization.

Preference prediction results

State-of-the-art preference prediction among open-source reward models.

Reward hacking analysis

Structured critique channels reduce shortcut exploitation compared with scalar-only rewards.

To better show optimization behavior, we also include diffusion RL training evolution results. The figure below visualizes how RationalRewards-guided training improves over time, illustrating that benefits are not only visible at the final checkpoint but emerge consistently throughout training. This constrast sharply with scalar rewards suffering reward hacking, as we demonstrate in Figure 12 in the paper.

Diffusion RL evolution

Evolution of diffusion RL performance under RationalRewards-guided optimization.

Test-time prompt tuning results

Generate-Critique-Refine at test time can match or exceed RL fine-tuning on several benchmarks.

Additional use cases

Additional qualitative use cases enabled by explicit reasoning feedback.

Citation

@article{rationalrewards2026,
  title   = {RationalRewards: Reasoning Rewards Scale Visual Generation Both Training and Test Time},
  author  = {Haozhe Wang and Cong Wei and Weiming Ren and Jiaming Liu and Fangzhen Lin and Wenhu Chen},
  journal = {arXiv preprint},
  year    = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
68f58f7

0 моделей