/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
2 авг 2025

MedVLThinker-3B-RL_m23k

Изображение и текст → текст3 профессии

Медицинская мультимодальная модель на базе Qwen2.5-VL-3B-Instruct для анализа изображений и ответов на вопросы по ним.

473скачиваний за 30 дней1лайквеса обновлены3 авг 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

MedVLThinker-3B-RL_m23k — медицинская модель «зрение—язык» с 3,1 млрд параметров, разработанная на базе Qwen2.5-VL-3B-Instruct. Модель дообучена с помощью обучения с подкреплением на наборе Med23k и предназначена для диалогового анализа медицинских изображений и ответов на вопросы по ним.

Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Архитектура — плотная Qwen2.5-VL для условной генерации; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Она может помогать с визуальными вопросами по медицинским изображениям, однако карточка не приводит результатов оценки, перечня поддерживаемых типов изображений или клинических ограничений. Её ответы не следует считать подтверждённым диагнозом или заменой профессиональной медицинской оценки.

Сценарии применения

  • ответы на вопросы по медицинским изображениям
  • визуальный анализ медицинских снимков по текстовому запросу
  • диалоговое исследование медицинских изображений
  • создание прототипов систем визуальных вопросов и ответов в медицине

Ограничения

Карточка не приводит результатов оценки модели и подробностей о поддерживаемых типах медицинских изображений. Ответы не следует использовать как самостоятельное клиническое заключение.

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

MedVLThinker-3B-RL_m23k

Code: https://github.com/UCSC-VLAA/MedVLThinker Project Page: https://ucsc-vlaa.github.io/MedVLThinker/

Model Description

MedVLThinker-3B-RL_m23k is a 3B parameter medical vision-language model based on Qwen2.5-VL. This model has been trained using reinforcement learning on Med23k dataset.

Model Details

  • Base Model: Qwen/Qwen2.5-VL-3B-Instruct
  • Model Size: 3B parameters
  • Training Method: Reinforcement Learning
  • Training Data: Med23k dataset

Usage

Check here for demo images: https://github.com/UCSC-VLAA/MedVLThinker?tab=readme-ov-file#demo

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

# Load the model
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "UCSC-VLAA/MedVLThinker-3B-RL_m23k",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
processor = AutoProcessor.from_pretrained("UCSC-VLAA/MedVLThinker-3B-RL_m23k")

# Example usage
messages = [
    {
        "role": "system",
        "content": "You will solve a problem/request. You should provide your thoughts within <think> </think> tags before providing the answer. Write your final answer within <answer> </answer> tags.",
    },
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "path/to/medical/image.jpg",
            },
            {"type": "text", "text": "What can you see in this medical image?"},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference
generated_ids = model.generate(**inputs, max_new_tokens=2048, temperature=0.6, top_p=0.95, do_sample=True)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Citation

@article{medvlthinker2025,
  title={MedVLThinker: Simple Baselines for Multimodal Medical Reasoning},
  author={Huang, Xiaoke and Wu, Juncheng and Liu, Hui and Tang, Xianfeng and Zhou, Yuyin},
  journal={arXiv preprint},
  year={2025}
}

License

This model is released under the Apache 2.0 license.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
e70fcf9

0 моделей