/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
valen_qwen · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
5 окт 2026

Valen-2B

Изображение и текст → текст

Мультимодальная модель на базе Qwen3.5-2B для принятия решений по тексту, изображениям и видео.

185скачиваний за 30 дней0лайковвеса обновлены8 окт 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

Valen-2B — дообученная мультимодальная модель Valen-Team на базе Qwen/Qwen3.5-2B. К архитектуре добавлена двухслойная голова принятия решений MLP-Mixer; модель принимает текст, изображения и видео и возвращает решения Choice, Noul и Score. Несколько вопросов можно обрабатывать по одному общему кодированию состояния.

Модель предназначена для визуального принятия решений и анализа сцен по изображениям и видео, в том числе для сценариев с несколькими вопросами об одном состоянии. В README приведены результаты на VisualDecisionBench Image (80,41%), VisualDecisionBench Video (82,85%) и JevBench (83,55%). Карточка указывает английский и китайский языки; базовая модель содержит 2 млрд параметров. Для запуска описаны PyTorch, Transformers 5.4.0, torchvision, Pillow и av; Flash Attention 2 необязателен. Лицензия — Apache-2.0.

Сценарии применения

  • выбор решения по изображению сцены
  • ответы на вопросы о визуальной ситуации
  • оценка вариантов действий по видео
  • обработка нескольких вопросов с общим кодированием состояния

Ограничения

Результаты приведены только для указанных бенчмарков и не гарантируют качество на других задачах. В карточке не описаны точное назначение выходов Noul и Score и ограничения по длине контекста.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Valen-2B

Qwen3.5 with a two-layer MLP-Mixer decision head. Supports text, images and videos, and returns Choice, Noul and Score decisions. Multiple questions can share one state encoding with execution="shared_state". Trained on millions of samples.

Inference

Install Python 3.10+, PyTorch, Transformers 5.4.0, torchvision, Pillow and av. Flash Attention 2 is optional with a compatible CUDA build. The model contains its tokenizer, processor and custom inference code; a separate base-model download is unnecessary.

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained(
    "Valen-Team/Valen-2B", trust_remote_code=True,
    dtype="auto", attn_implementation="sdpa",
).to("cuda").eval()
torch.set_float32_matmul_precision("highest")
torch.backends.cudnn.allow_tf32 = False
print(model.predict({
    "state": "A cat is on the sofa.",
    "questions": {
        "animal": {"type": "choice", "instructions": "Which animal is present?",
                   "criteria": {"cat": "A cat", "dog": "A dog"}},
        "on_sofa": {"type": "noul", "instructions": "The cat is on the sofa."},
    },
}, execution="shared_state"))

Use attn_implementation="flash_attention_2" for Flash Attention, or execution="question" for independent questions. Video defaults to 16 frames. Image/video request examples and training instructions are in the Valen repository.

dtype="auto" preserves the trained FP32 parameters. The backbone runs under BF16 autocast and the Mixer stays FP32, matching native checkpoint evaluation. Loading all weights as BF16 rounds the trained parameters and can change outputs.

Evaluation

BenchmarkAccuracy (%)
VisualDecisionBench Image80.41
VisualDecisionBench Video82.85
JevBench83.55

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ValenQwenForDecisionMaking
Ревизия весов
8106f4c

0 моделей