/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
30,4 млрд
Размер весов
68,2 ГБ
Лицензия
Apache 2.0
Архитектура
Emu3 · dense
Базовая модель
Emu3.5
Библиотека
transformers
Опубликована
14 июл 2026

UniVR-34B-General

Генерация текстаТекст → текст

UniVR-34B-General — дообученная на базе Emu3.5 мультимодальная модель для визуального рассуждения по изображениям и текстовым инструкциям.

12скачиваний за 30 дней0лайковвеса обновлены14 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

UniVR-34B-General — модель для визуального рассуждения, разработанная в рамках проекта UniVR на основе Emu3.5. Она принимает изображение и текстовую инструкцию и формирует ответ с рассуждением в визуальном пространстве, используя единую авторегрессионную генерацию токенов. По карточке модель содержит 34 млрд параметров, а метаданные указывают 30,4 млрд; архитектура — Emu3, плотная Emu3ForCausalLM, формат весов — safetensors, библиотека — Transformers, длина контекста — 32 768 токенов.

Версия General предназначена для широких задач визуального рассуждения: понимания сцен, визуальных инструкций, пространственных задач, головоломок и редактирования изображений. Модель дообучена в два этапа: SFT на наборе VR-X и обучение с подкреплением VR-GRPO; заявлены 310 тысяч примеров SFT и 3 тысячи примеров для RL. Карточка сообщает об улучшениях на собственном VR-X Benchmark и стандартных мультимодальных тестах относительно Emu3.5, но эти результаты приведены авторами модели.

Лицензия — Apache-2.0. Модель ориентирована на английский язык согласно метаданным карточки; README не описывает поддержку других языков. Она предназначена для визуального понимания и рассуждения, а не для самостоятельного выполнения физических действий или гарантированного долгосрочного управления роботами.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • понимание визуальных инструкций для бытовых действий
  • пространственные задачи и визуальные головоломки
  • анализ изображений для планирования последовательности шагов
  • рассуждение о манипуляциях с объектами и редактировании сцен

Ограничения

Заявленные улучшения основаны на бенчмарках, приведённых авторами; независимые результаты в карточке не указаны. README не подтверждает поддержку языков помимо английского и не заявляет исполнение действий в реальном мире.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

UniVR: Thinking in Visual Space for Unified Visual Reasoning


Model Summary

UniVR is the first framework that simultaneously learns complex reasoning, fine-grained physical dynamics, and long-term planning from pure visual demonstrations — without relying on dense image-text pairs or task-specific heuristics.

Built on Emu3.5 (34B), UniVR uses a unified next-token prediction objective to directly generate visual reasoning traces given an image and instruction. Training employs a two-stage pipeline: supervised cold initialization on the VR-X dataset, followed by VR-GRPO reinforcement learning with complementary global and step-focal rewards.

FeatureDetail
ArchitectureEmu3.5 34B (VQ-VAE unified generative model)
TrainingSFT (310k samples) → VR-GRPO RL (3k samples)
Visual ThinkingNative visual-space reasoning, no intermediate text chain
BenchmarkVR-X: 16 sources, 6 task categories, 1.8k evaluation samples

Available Checkpoints

ModelDescriptionLink
UniVR-34B-PlanningOptimized for long-horizon planning tasks (robotic manipulation, tool use, multi-step control)maverickrzw/UniVR-34B-Planning
UniVR-34B-GeneralFull UniVR recipe with interleaved image-text data; suitable for general visual reasoningmaverickrzw/UniVR-34B-General

Key Results

VR-X Benchmark

UniVR achieves up to 25% improvement over the Emu3.5 baseline and approaches Gemini 3 Pro + Nano Banana 2 with only 34B parameters.

MethodVisual ThinkingGuidanceRobotEditingSpatialPuzzleSearchOverall↑
Gemini-3-pro + Nano Banana 2✗66.267.163.755.165.579.066.1
GPT-5 + GPT-image-1.5✗68.264.158.049.364.077.463.5
Emu3.5 34B✗38.642.832.735.343.446.239.8
UniVR 34B✓59.568.048.546.562.264.358.2
Δ v.s. Emu3.5↑20.9↑25.2↑15.8↑11.2↑18.8↑18.1↑18.4

Multimodal Understanding

Enhanced visual reasoning also boosts standard multimodal benchmarks — no degradation of the base model's capabilities.

MethodMMMUMME(P)MME(C)MMBenchMathVistaMM-Vet
Emu 3.50.292781.1324.60.18341.728.0
UniVR0.337799.3338.50.19844.035.6
Δ v.s. Emu3.5↑0.045↑18.2↑13.9↑0.015↑2.3↑7.6

Quick Start

Installation

git clone https://github.com/MaverickRen/UniVR.git
cd UniVR
bash install.sh

Inference

cd UniVR_SFT

# Download checkpoint
huggingface-cli download maverickrzw/UniVR-34B-Planning --local-dir weights/UniVR-34B-Planning

# Download VisionTokenizer
huggingface-cli download BAAI/Emu3.5-VisionTokenizer --local-dir weights/Emu3.5-VisionTokenizer

# Run inference
bash scripts/inference.sh

Configure configs/config.py to set model paths and prompts:

{
    "prompt": "Tie the red rope around the white gift box. Finish this task in 3 steps.",
    "reference_image": "path/to/first_frame.jpg",
}

Training

SFT (Cold Initialization):

cd UniVR_SFT
# LoRA (2 nodes × 8 GPUs)
bash scripts/train_sft_lora.sh
# Full parameter (4 nodes × 8 GPUs)
bash scripts/train_sft_full.sh

RL (VR-GRPO):

cd UniVR_RL
bash examples/emu3_grpo_lora.sh

Method: VR-GRPO

UniVR proposes VR-GRPO (Visual Reasoning GRPO), a reinforcement learning paradigm that combines:

  • Global Reward (R_g): A VLM evaluator assesses overall task completion and visual quality via pairwise comparison.
  • Step-Focal Reward (R_s): Identifies the most error-prone sub-steps by computing inter-trajectory CLIP-feature variance across rollout samples, then applies fine-grained VLM evaluation on critical windows.
  • Combined Reward: R_reason = R_g − λ|R_g − R_s|, enforcing both terminal correctness and procedural integrity.

This design prevents reward hacking in long-horizon tasks where global-only rewards overlook intermediate physical violations and logical gaps.


Sample Outputs


Training Data

UniVR is trained on VR-X, a large-scale benchmark curated from 1.5M raw samples across 16 diverse sources:

CategorySourcesExamples
Visual GuidanceEgoDex, Action100M, Epic-Kitchen, VideoCraftBenchCooking, handcrafting, daily activities
Robot ManipulationAgiBot, Droid, Bridge, ZebraCoT-RobotRobotic grasping, tool use, multi-step control
EditingZebraCoT-MultiobjectObject manipulation, scene editing
Spatial PerceptionThinkMorph-Navigation, ZebraCoT-EmbodimentNavigation, spatial reasoning
Visual SearchVisualCoT, ThinkMorph-SearchObject localization, attention
Puzzle & GameVRBench, Zebra-Jigsaw, ThinkMorph-VisPuzzleMazes, jigsaw, visual puzzles

Download: maverickrzw/VR-X-SFT-RL


Citation

@article{ren2026univr,
  title={UniVR: Thinking in Visual Space for Unified Visual Reasoning},
  author={Zhongwei Ren and Yunchao Wei and Zhao Yao and Guixun Luo and Yao Zhao and Weibo Gong and Xiao Liu and Anran Wang and Xiangtai Li and Xiaojie Jin},
  year={2026},
}

License

This project is released under the Apache 2.0 License.

Acknowledgements

UniVR is built upon Emu3.5 and verl. We thank the authors for their excellent open-source contributions.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура Emu3 неизвестна transformers в образе рантайма.

Класс архитектуры
Emu3ForCausalLM
Ревизия весов
98e6dab

0 моделей