/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
18,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
22 дек 2025

DSR_Suite-Model

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная Qwen2.5-VL-7B для ответов на вопросы о движении объектов и изменении пространственных отношений в видео.

97скачиваний за 30 дней6лайковвеса обновлены26 дек 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

TencentARC DSR Suite — дообученная мультимодальная модель для динамического пространственного рассуждения по видео, представленная в работе Learning to Reason in 4D. Она анализирует, как геометрия объектов и пространственные отношения меняются со временем, и отвечает на вопросы о содержимом видео. Модель основана на Qwen2.5-VL-7B-Instruct, имеет 7,1 млрд параметров и контекст длиной до 128 000 токенов; поддерживает обработку видео и текстовые ответы.

Для обучения использованы набор DSR-Train из 50 000 вопросов и ответов и модуль Geometry Selection Module, который добавляет геометрические априорные данные от 3D-моделей. Для оценки разработчики представили бенчмарк DSR-Bench из 1 484 вопросов. Модель рассчитана на анализ пространственной динамики в видео и может использоваться в исследовательских и прикладных сценариях визуального понимания. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о движении объектов в видео
  • определение изменений пространственных отношений между объектами
  • анализ геометрии объектов в динамических сценах
  • оценка способности видеомодели к пространственному рассуждению

Ограничения

Модель ориентирована на динамическое пространственное рассуждение по видео; README не сообщает об ограничениях качества или поддерживаемых естественных языках.

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

Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models

This repository contains the model weights for the DSR Suite, which introduces advancements in dynamic spatial reasoning for Vision Language Models (VLMs), as presented in the paper Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models.

Introduction

Vision-language models (VLMs) typically excel at general understanding but demonstrate weaknesses in Dynamic Spatial Reasoning (DSR) – the ability to reason about the evolution of object geometry and relationships in 3D space over time. To address this gap, we introduce DSR Suite, which comprises:

  1. Automated Data Generation Pipeline: A system that constructs multiple-choice question-answer pairs from in-the-wild videos for DSR.
  2. DSR-Train: A training dataset of 50K QAs generated by the pipeline.
  3. DSR-Bench: A human-refined benchmark with 1484 QAs for rigorous evaluation.
  4. Geometry Selection Module (GSM): A lightweight module designed to seamlessly integrate geometric priors from 3D foundation models into VLMs, specifically a Qwen2.5-VL-7B backbone, without compromising general understanding capabilities.

Experiments show that integrating DSR-Train and GSM into Qwen2.5-VL-7B significantly enhances its dynamic spatial reasoning.

Resources

Usage and Evaluation

For detailed instructions on environment setup, data generation, model training, and benchmark evaluation, please refer to the official DSR_Suite GitHub repository.

The evaluation framework is based on VLMEvalKit. An example command for evaluating a trained model (like Qwen2.5-VL-7B-Instruct-ForVideo-Spatial) on the Spatial-Reasoning task is:

cd VLMEvalKit_mine
CUDA_VISIBLE_DEVICES=0 python run.py --data Spatial-Reasoning --model Qwen2.5-VL-7B-Instruct-ForVideo-Spatial --work-dir spatial_reasoning

Citation

If you find our work useful, please consider citing:

@misc{zhou2025learning,
      title={Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models}, 
      author={Shengchao Zhou, Yuxin Chen, Yuying Ge, Wei Huang, Jiehong Lin, Ying Shan, Xiaojuan Qi},
      year={2025},
      eprint={2512.20557},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.20557}, 
}

Acknowledgement

This work builds upon the following projects:

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_Spatial
Ревизия весов
d0df6d2

0 моделей