/ 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
10 мар 2026

uAI-NEXUS-MedVLM-1.0a-7B-RL

Вопросы по изображениюИзображение, текст → текст3 профессии

Мультимодальная модель для ответов на вопросы и анализа хирургических видео, включая локализацию действий, суммаризацию и оценку навыков.

228скачиваний за 30 дней16лайковвеса обновлены16 апр 2026

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

uAI-NEXUS-MedVLM-1.0a-7B-RL — мультимодальная медицинская модель UII-AI для анализа хирургических видео. Это плотная модель Qwen2.5-VL с 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-7B-Instruct в два этапа: supervised fine-tuning на вопросах и ответах по медицинским видео, затем оптимизация GRPO с наградами за временную точность и клиническую семантику. Модель принимает видео и текстовые запросы, а ответы формирует на английском языке; контекст — до 128 000 токенов.

Модель предназначена для локализации действий во времени, пространственно-временной привязки объектов, предсказания следующего действия, суммаризации видео, описания регионов и оценки хирургических навыков, включая CVS. Обучение проводилось на 51 505 парах видео-инструкций из восьми наборов хирургических данных. Лицензия — Apache 2.0.

Модель оптимизирована для медицинских и хирургических видео и может хуже работать в других областях. Наилучшие результаты ожидаются при частоте выборки кадров 0,1–1 кадр/с и видео длительностью несколько минут; длинные ролики обрабатываются с выборкой кадров. Основной язык медицинской терминологии — английский.

Сценарии применения

  • локализация хирургических действий во времени
  • привязка инструментов и действий к областям видеокадра
  • предсказание следующего шага операции
  • составление краткого содержания хирургического видео
  • описание выбранной области хирургического видео
  • оценка хирургических навыков и CVS

Ограничения

Модель оптимизирована для медицинских и хирургических видео и может хуже обобщаться на другие области. Наилучшие результаты ожидаются при выборке 0,1–1 кадр/с и видео длительностью несколько минут; основная рабочая терминология — английская.

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

uAI-NEXUS-MedVLM-1.0a-7B-RL

Accepted at CVPR 2026 🎉

Base Model: Qwen2.5-VL-7B-Instruct

uAI-NEXUS-MedVLM-1.0a-7B-RL is a medical-video understanding model fine-tuned from Qwen2.5-VL-7B-Instruct. It is the 7B-RL member of the uAI-NEXUS-MedVLM 1.0 family (variant a = Qwen2.5-VL base; variants b / c use Qwen3-VL-4B and Qwen3.5-4B respectively). Training uses a two-stage pipeline:

  1. Supervised Fine-Tuning (SFT) on medical video QA data.
  2. Group Relative Policy Optimization (GRPO) with task-specific rewards for temporal precision and clinical semantics.

It achieves state-of-the-art performance on medical video understanding across temporal action localization, spatiotemporal grounding, video summarization, region captioning, and surgical skill/CVS assessment.

Model Details

  • Architecture: Qwen2.5-VL (7B parameters) — video + text
  • Base Model: Qwen/Qwen2.5-VL-7B-Instruct
  • Training: SFT → GRPO
  • Domain: Medical and surgical video understanding
  • License: Apache 2.0

Supported Tasks

The model handles 8 medical video understanding tasks (11 variants):

Task CategoryTasks
Temporal UnderstandingTemporal Action Localization (TAL), Spatiotemporal Grounding (STG), Next Action Prediction
CaptioningDense Captioning (GPT / Gemini), Video Summary (GPT / Gemini), Region Caption (GPT / Gemini)
AssessmentSkill Assessment, CVS (Critical View of Safety)

Training Data

Trained on 51,505 balanced video-instruction pairs (the MedVidBench Standard split), spanning 8 source datasets: AVOS, CholecT50, CholecTrack20, Cholec80-CVS, CoPESD, EgoSurgery, JIGSAWS, NurViD.

Stage 2 (GRPO) uses task-balanced subsets of the Standard split (detailed in the paper).

Training Details

Stage 1 — Supervised Fine-Tuning

  • Objective: Learn medical video understanding from human-annotated QA pairs.
  • Optimizer: AdamW with linear learning-rate schedule.

Stage 2 — Group Relative Policy Optimization (GRPO)

  • Objective: Improve temporal precision and clinical semantic quality with RL.
  • Reward functions:
    • TAL / STG: Logistic-normalized IoU (dataset-fair, IQR-based).
    • Video Summary / Region Caption: Semantic similarity (SentenceBERT).
    • Next Action: Exact-match reward.
    • Skill / CVS Assessment: Score-based reward.
  • Framework: EasyR1 (built on verl by ByteDance).

Usage

Install

pip install transformers accelerate torch pillow qwen-vl-utils

Inference with Transformers

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

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "UII-AI/uAI-NEXUS-MedVLM-1.0a-7B-RL",
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("UII-AI/uAI-NEXUS-MedVLM-1.0a-7B-RL")

video_frames = ["frame_0001.jpg", "frame_0002.jpg", "frame_0003.jpg"]  # list of frame paths

messages = [{
    "role": "user",
    "content": [
        {"type": "video", "video": video_frames},
        {"type": "text", "text": "When does the surgeon grasp the gallbladder? Provide start and end times in seconds."},
    ],
}]

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",
).to(model.device)

with torch.no_grad():
    output_ids = model.generate(**inputs, max_new_tokens=256)
    generated_ids = [out[len(inp):] for inp, out in zip(inputs.input_ids, output_ids)]
    response = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

print(response)
# Example: "The surgeon grasps the gallbladder from 45.2 to 58.7 seconds."

Batch Inference with VLLM

For full batch inference with correct video frame handling, use the reference pipeline at UII-AI/MedGRPO-Code:

git clone https://github.com/UII-AI/MedGRPO-Code
cd MedGRPO-Code
pip install -r requirements.txt
bash run_inference.sh

Performance

Evaluated on MedVidBench (6,245 test samples across 8 tasks). GRPO consistently improves the SFT baseline on:

  • Temporal precision for TAL / STG (higher IoU).
  • Semantic quality for video summaries and region captions.
  • Alignment with expert annotations for skill / CVS assessment.

Submit predictions to the MedVidBench Leaderboard to benchmark your own models.

Limitations

  • Domain: Optimized for medical / surgical videos; may not generalize to other domains.
  • Temporal Resolution: Best on videos sampled at 0.1–1.0 FPS.
  • Language: Trained primarily on English medical terminology.
  • Video Length: Optimal for videos of a few minutes; longer videos rely on frame sub-sampling.

License

Released under the Apache 2.0 License.

Citation

If you use this model or the MedVidBench benchmark, please cite:

@inproceedings{su2026medgrpo,
  title     = {{MedGRPO}: Multi-Task Reinforcement Learning for Heterogeneous Medical Video Understanding},
  author    = {Su, Yuhao and Choudhuri, Anwesa and Gao, Zhongpai and Planche, Benjamin and
               Nguyen, Van Nguyen and Zheng, Meng and Shen, Yuhan and Innanje, Arun and
               Chen, Terrence and Elhamifar, Ehsan and Wu, Ziyan},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year      = {2026}
}

Acknowledgments

Contact

Open an issue on the GitHub repository.

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
c312e33

0 моделей