/ 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
Опубликована
2 авг 2025

MedVLThinker-7B-RL_m23k

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL для анализа медицинских изображений и ответов на вопросы по ним.

240скачиваний 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-7B-RL_m23k — медицинская мультимодальная модель с 7,1 млрд параметров, разработанная на основе Qwen2.5-VL-7B-Instruct. Она принимает изображения и текст и формирует текстовые ответы в диалоге, в том числе для визуальных вопросов по медицинским материалам.

Модель дообучена методом обучения с подкреплением на наборе Med23k. Архитектура — плотная Qwen2.5-VL; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

Модель предназначена для экспериментального анализа медицинских изображений и ответов на вопросы по ним. README не приводит количественных оценок качества или клинической валидации; ответы не следует считать медицинским диагнозом.

Сценарии применения

  • ответы на вопросы по медицинским изображениям
  • визуальный анализ медицинских материалов
  • диалог по изображению с медицинским содержанием

Ограничения

README не сообщает результаты оценок качества и клинической валидации. Ответы модели не следует использовать как самостоятельный медицинский диагноз.

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-7B-RL_m23k

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

Model Description

MedVLThinker-7B-RL_m23k is a 7B 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-7B-Instruct
  • Model Size: 7B 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-7B-RL_m23k",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
processor = AutoProcessor.from_pretrained("UCSC-VLAA/MedVLThinker-7B-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
155bb05

0 моделей