/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
25 мая 2025

Qwen2.5-VL-7B-MM-UPT-MMR1

Изображение и текст → текст3 профессии

Дообученная мультимодальная Qwen2.5-VL-7B для решения визуальных задач на рассуждение, включая математику по изображениям.

78скачиваний за 30 дней3лайкавеса обновлены4 июн 2025

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

WaltonFuture/Qwen2.5-VL-7B-MM-UPT-MMR1 — мультимодальная модель WaltonFuture, полученная дообучением Qwen2.5-VL-7B-Instruct в рамках метода MM-UPT с GRPO и самонаграждением на основе голосования между несколькими ответами. Модель предназначена для визуальных задач на рассуждение, в частности решения математических задач по изображениям и диаграммам.

Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает текст и изображения и выдаёт текст. Контекстное окно составляет 128 000 токенов. В статье сообщается об улучшении результатов базовой Qwen2.5-VL-7B на MathVista и We-Math; обучение проводилось без внешней разметки ответов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

Сценарии применения

  • решение математических задач по изображениям
  • ответы на вопросы по диаграммам и визуальным материалам
  • проверка визуальных рассуждений в мультимодальных приложениях

Ограничения

В README приведены результаты на MathVista и We-Math, но они не гарантируют качество на других типах изображений и задач. Модель унаследовала ограничения базовой Qwen2.5-VL-7B-Instruct.

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

Unsupervised Post-Training for Multi-Modal LLM Reasoning via GRPO

Paper Title and Link

The model was presented in the paper Unsupervised Post-Training for Multi-Modal LLM Reasoning via GRPO. You can also find the paper on arXiv: Unsupervised Post-Training for Multi-Modal LLM Reasoning via GRPO (arXiv:2505.22453)

Paper Abstract

Improving Multi-modal Large Language Models (MLLMs) in the post-training stage typically relies on supervised fine-tuning (SFT) or reinforcement learning (RL). However, these supervised methods require expensive and manually annotated multi-modal data--an ultimately unsustainable resource. While recent efforts have explored unsupervised post-training, their methods are complex and difficult to iterate. In this work, we are the first to investigate the use of GRPO, a stable and scalable online RL algorithm, for enabling continual self-improvement without any external supervision. We propose MM-UPT, a simple yet effective framework for unsupervised post-training of MLLMs. MM-UPT builds upon GRPO, replacing traditional reward signals with a self-rewarding mechanism based on majority voting over multiple sampled responses. Our experiments demonstrate that MM-UPT significantly improves the reasoning ability of Qwen2.5-VL-7B (e.g., 66.3 %$\rightarrow$72.9 % on MathVista, 62.9 %$\rightarrow$68.7 % on We-Math), using standard dataset without ground truth labels. MM-UPT also outperforms prior unsupervised baselines and even approaches the results of supervised GRPO. Furthermore, we show that incorporating synthetic questions, generated solely by MLLM itself, can boost performance as well, highlighting a promising approach for scalable self-improvement. Overall, MM-UPT offers a new paradigm for continual, autonomous enhancement of MLLMs in the absence of external supervision.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
deca422

0 моделей