/ 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
Библиотека
transformers
Опубликована
23 мая 2025

Qwen2.5VL-7b-RLCS

Изображение и текст → текст8 профессий

Мультимодальная модель WaltonFuture, дообученная на Qwen2.5-VL-7B-Instruct для диалогового анализа изображений и визуальных рассуждений.

70скачиваний за 30 дней0лайковвеса обновлены1 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/Qwen2.5VL-7b-RLCS — мультимодальная модель WaltonFuture на архитектуре Qwen2.5-VL с 7,1 млрд параметров. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct: сначала методом supervised fine-tuning на данных cold start, затем с помощью GRPO на мультимодальных данных для обучения с подкреплением.

Модель принимает текст и изображения и предназначена для диалоговых задач, требующих визуального анализа и рассуждений по изображению. Контекст составляет до 128 000 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers; лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображению
  • визуальные рассуждения по изображению
  • описание содержимого изображений в диалоге
  • извлечение сведений из изображений
  • решение мультимодальных задач по текстовой инструкции

Ограничения

README не приводит оценок качества или конкретных ограничений; фактическая надёжность может зависеть от типа изображения и задачи. Заявлены входные изображения и текст, поэтому возможности обработки видео из описания базовой модели здесь не следует считать подтверждёнными.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cold Start Stage

We conduct supervised fine-tuning on Qwen2.5-VL-3B and Qwen2.5-VL-7B using ms-swift. In this stage, please refer to this curated dataset distilled from Qwen2.5-VL-32B using rejection sampling.

Setup

git clone https://github.com/waltonfuture/RL-with-Cold-Start.git
cd RL-with-Cold-Start/SFT
pip install -e .

Prepare Data

python convert_data.py

SFT

bash qwen2.5vl_sft.sh

The checkpoint can be found in SFT/output.

RL Stage

We further conduct GRPO using EasyR1. Please refer to this dataset for the GRPO training.

Setup

git clone https://github.com/waltonfuture/RL-with-Cold-Start.git
cd RL-with-Cold-Start/GRPO
pip install -e .

GRPO Training (replace the checkpoint with the model after SFT)

bash examples/qwen2_5_vl_7b_grpo.sh

Merge Checkpoint in Hugging Face Format

python3 scripts/model_merger.py --local_dir checkpoints/easyr1/qwen2_5_vl_7b_grpo/global_step_80/actor

Data Access

Our two stage datasets are now available on Huggingface.

StageData
Cold StartMultimodal-Cold-Start
RLMultimodal-RL-Data

Model Access

Our models are now available on Huggingface.

BackboneOur model
Qwen2.5-VL-7bQwen2.5VL-7b-RL-with-Cold-Start
Qwen2.5-VL-3bQwen2.5VL-3b-RL-with-Cold-Start

Acknowledgment

Our models are built upon the amazing Qwen2.5-VL family. We thank EasyR1 and ms-swift for their training codes.

Contact

Please contact Lai Wei (waltonfuture@sjtu.edu.cn) if needed.

Citation

@article{wei2025advancing,
  title={Advancing Multimodal Reasoning via Reinforcement Learning with Cold Start},
  author={Wei, Lai and Li, Yuting and Zheng, Kaipeng and Wang, Chen and Wang, Yue and Kong, Linghe and Sun, Lichao and Huang, Weiran},
  journal={arXiv preprint arXiv:2505.22334},
  year={2025}
}

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
3cf807a

0 моделей