/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
13 апр 2025

VL-Rethinker-7B

Изображение и текст → текст3 профессии

Мультимодальная модель TIGER-Lab на базе Qwen2.5-VL для ответов на вопросы по изображениям и визуальных рассуждений.

705скачиваний за 30 дней15лайковвеса обновлены5 мая 2025

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

VL-Rethinker-7B — мультимодальная модель TIGER-Lab для ответов на текстовые запросы с учётом изображений и рассуждений по визуальному содержимому. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct методами GRPO-SSR и Forced Rethinking с использованием набора ViRL39K, подготовленного для мультимодальных рассуждений. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на визуальные вопросы и другие задачи мультимодального reasoning.

В README заявлены высокие результаты на мультимодальных бенчмарках, но конкретные показатели здесь не приведены. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображениям
  • решение визуальных задач с пошаговым рассуждением
  • анализ изображений по текстовой инструкции

Ограничения

Заявление о результатах уровня SoTA в README не сопровождается конкретными метриками. Поддержка русского языка в предоставленных данных не подтверждена.

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

VL-Rethinker-7B

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

VL-Rethinker-7B achieves SoTA results on various multimodal reasoning benchmarks.

It is trained using the GRPO-SSR and Forced Rethinking techniques, using meticulously curated ViRL39K.

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 |

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 · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
5439d11

0 моделей