Модель зрения и языка на базе Qwen2.5-VL для анализа изображений по текстовым запросам и генерации ответов.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
VLAA-Thinker-Qwen2.5VL-7B — модель «зрение—язык» от UCSC-VLAA, представленная как раннее исследование обучения моделей рассуждения по изображениям по аналогии с R1. Она принимает изображения и текстовые запросы и генерирует текстовые ответы.
Модель основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Карточка указывает поддержку диалогового взаимодействия и интерфейса вызова инструментов; модель предназначена для задач, где требуется анализировать изображение с учётом текстовой инструкции и формулировать ответ.
Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README называет работу ранним исследованием, поэтому качество и надёжность рассуждений по изображениям могут быть ограничены; отдельные результаты и поддерживаемые языки в карточке не описаны.
README характеризует модель как раннее исследование, поэтому надёжность рассуждений по изображениям не гарантирована. Коммерческое использование ограничено лицензией CC BY-NC 4.0.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
VLAA-Thinker is a vision-language model that takes an image and text as input and outputs text, as described in SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models.
Project Page: https://ucsc-vlaa.github.io/VLAA-Thinking/ Code: https://github.com/UCSC-VLAA/VLAA-Thinking
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…