/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
71,5 млрд
Размер весов
147 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
11 апр 2025

VL-Rethinker-72B

Вопросы по изображениюИзображение, текст → текст5 профессий

Мультимодальная модель TIGER-Lab для ответов на вопросы об изображениях и визуальных задач рассуждения.

23скачиваний за 30 дней5лайковвеса обновлены5 мая 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

VL-Rethinker-72B — мультимодальная модель TIGER-Lab для ответов на вопросы об изображениях и визуальных задач рассуждения. По карточке модели, она обучена методом Forced Rethinking на основе VL-Reasoner с использованием GRPO-SSR и показывает высокие результаты на ряде мультимодальных бенчмарков. Метаданные указывают архитектуру Qwen2.5-VL, плотную модель с 71,5 млрд параметров и контекстом 128 000 токенов. Модель принимает изображения и текстовые запросы, а ответы выдаёт в виде текста; карточка указывает английский язык.

Модель подходит для визуальных вопросов, интерпретации изображений и задач, требующих мультимодального рассуждения. Она распространяется под лицензией Apache-2.0. В README базовой названа VL-Reasoner, тогда как метаданные связывают модель с Qwen/Qwen2.5-VL-7B-Instruct; поэтому базовая модель указана по метаданным.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • визуальное рассуждение по изображению
  • интерпретация сцен и объектов на изображении

Ограничения

Карточка не приводит подробных ограничений качества или оценки для отдельных сценариев; заявленные высокие результаты относятся к бенчмаркам без перечисления результатов в README.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VL-Rethinker-72B

🚀 News: We release our meticulously curated collection of RL training queries for multimodal reasoning: ViRL39K.

VL-Rethinker-72B achieves SoTA results on various multimodal reasoning benchmarks.

It is trained using the Forced Rethinking technique, on top of VL-Reasoner with GRPO-SSR training.

For details of our approach and performance comparison, please see our paper.

For details of training and evaluation, please see our code repo.

Explore further via the following links:

| 🚀Project Page | 📖Paper | 🔗Github | 🤗Data |

Prompt

Append the following after the user query:

"""Guidelines: 
Please think step by step, and **regularly perform self-questioning, self-verification, self-correction to check your ongoing reasoning**, using connectives such as "Wait a moment", "Wait, does it seem right?", etc. Remember to put your final answer within \\boxed{}.
"""

Citation

If you feel this model useful, please give us a free cite:

@article{vl-rethinker,
      title={VL-Rethinker: Incentivizing Self-Reflection of Vision-Language Models with Reinforcement Learning},
      author = {Wang, Haozhe and Qu, Chao and Huang, Zuming and Chu, Wei and Lin, Fangzhen and Chen, Wenhu},
      journal={arXiv preprint arXiv:2504.08837},
      year={2025}
}	        

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
7cca2cc

0 моделей