/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
FLUX.2-dev
Библиотека
diffusers
Опубликована
23 авг 2026

VBVR-Pro-FLUX2-dev

Генерация изображенийТекст → изображение3 профессии

Дообученная на базе FLUX.2-dev модель для редактирования изображений по текстовым инструкциям и экспериментов с визуальным рассуждением.

6скачиваний за 30 дней1лайквеса обновлены27 авг 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 «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест 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

Video-Reason/VBVR-Pro-FLUX2-dev — модель редактирования изображений по инструкциям, созданная командой Video-Reason на основе дообучения FLUX.2-dev. Она предназначена для изменения изображений по текстовому запросу и подходит для экспериментов с визуальным рассуждением через генерацию и редактирование изображений.

Модель основана на FLUX.2-dev и распространяется как объединённый чекпойнт Diffusers в формате safetensors: LoRA-адаптер ранга 32 уже слит с весами трансформера. README описывает набор VBVR-Pro из 300 процедурно создаваемых задач и проверяемые оценщики вознаграждения для исследований визуального рассуждения; сама модель дообучена на наборе VBVR-Dataset. Лицензия — Apache-2.0.

Сценарии применения

  • редактирование изображения по текстовому описанию изменений
  • выполнение визуальных задач из набора VBVR-Pro
  • эксперименты с визуальным рассуждением через генерацию изображений

Ограничения

README не приводит размер модели, длину контекста или языки. Результаты и качество зависят от конкретной задачи; численные показатели бенчмарков в доступной карточке опущены.

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

VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning

Overview

Native visual reasoning, i.e., reasoning through visual generation, has recently emerged as a promising direction for studying visual intelligence beyond language. Yet progress remains bottlenecked by the lack of scalable training tasks, reliable feedback, and controlled comparisons across generative substrates. In this work, we introduce VBVR-Pro, a closed-loop testbed that makes native visual reasoning through generation trainable, verifiable, optimizable, and experimentally controllable. 1) Task scaling. VBVR-Pro turns visual reasoning into a controlled task space of 300 procedurally generated tasks. Models trained on VBVR-Pro show strong transfer beyond the proposed suite across six held-out visual reasoning benchmarks such as RISE-Video, MME-CoF-Pro, and BabyVision. Further analysis validates that these gains reflect visual reasoning rather than instruction-pattern fitting. 2) Verifiable rewards. VBVR-Pro provides verifiable reward scorers for task-grounded evaluation. Through a systematic study of leading MLLMs as judges, we identify recurring failure modes of the prevalent VLM-as-a-judge paradigm. In contrast, the proposed scorers are grounded on verifiable task-specific rules, achieve fine-grained alignment with human judgments. Importantly, they serve as reliable reward signals for large-scale multi-task reinforcement learning and demonstrate stronger post-RL performance across visual reasoning tasks. 3) Mechanism study. VBVR-Pro enables controlled modality studies across more than 30 image, video, and interleaved generators. Our analysis shows that video generation remains strongest for tasks requiring persistent spatiotemporal state tracking, while interleaved generation provides a compute-efficient alternative by externalizing intermediate visual states. Critically, ablations and probing confirm the presence of vision-native trajectories, that are a more crucial substrate than explicit linguistic chains of thought for visual reasoning. We release all data, models, scorers, and code to facilitate future research.

The models are presented in the paper VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning.

Models Zoo

Release Information

VBVR-Pro finetuned FLUX.2-dev for instruction-based image editing, trained on the VBVR-Dataset.

This is the merged model — the LoRA (rank 32) has already been fused into the transformer weights. Load it directly with Diffusers; no extra adapters or DiffSynth-Studio needed.

FormatRepository
Merged / Diffusers (this repo)VBVR-Pro-FLUX2-dev
DiffSynth LoRAVBVR-Pro-FLUX2-dev-diffsynth

In this release, we present all models presented in paper VBVR-Pro-Trained-Models, VBVR-Pro-Dataset-Video, VBVR-Pro-Dataset-Image, VBVR-Pro-Bench, VBVR-Pro-Code and VBVR-Bench-Leaderboard.

VBVR-Pro Benchmark Results

Quick Start

Method 1: Standalone Diffusers inference

1. Install Diffusers

pip install torch torchvision
pip install git+https://github.com/huggingface/diffusers

2. Run example.py

The included example.py loads the merged checkpoint directly with Diffusers and enables model CPU offloading.

python example.py \
  --model_path Video-Reason/VBVR-Pro-FLUX2-dev \
  --image input.png \
  --prompt "Move the red block to the left of the blue block." \
  --output output.png

Method 2: Unified VBVR-Pro inference

Clone Video-Reason/VBVR-Pro and create its unified inference environment:

git clone https://github.com/Video-Reason/VBVR-Pro.git
cd VBVR-Pro/
uv sync --extra cu124 # or one of [cu118|cu121|cu124|cu126|cu128|cu129]
source .venv/bin/activate

Then run the unified inference script:

python example.py \
  --model_path Video-Reason/VBVR-Pro-FLUX2-dev \
  --image_paths input.png \
  --prompt "Move the red block to the left of the blue block." \
  --output output.png

Citation

@article{vbvr2025,
  title={VBVR: A Very Big Video Reasoning Suite},
  year={2025},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Можно запустить

Подбираем GPU…

Ревизия весов
b0a01f2

0 моделей