/ 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
Опубликована
7 дек 2025

CroPond-7B

Описание изображенийИзображение → текст3 профессии

CroPond-7B — дообученная мультимодальная модель для сопоставления соответствующих точек и объектов на изображениях с разных ракурсов.

615скачиваний за 30 дней1лайквеса обновлены7 дек 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 «Распознавание текста» — 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

CroPond-7B — мультимодальная модель зрения и языка, разработанная на основе Qwen2.5-VL-7B-Instruct и дообученная главным образом на наборе CrossPoint-378K. Она предназначена для поиска соответствий между точками на изображениях разных ракурсов: модель принимает изображения и формулировки на естественном языке, чтобы сопоставлять одни и те же объекты или места при изменении точки обзора. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов.

В карточке заявлено качество уровня state of the art для задач cross-view correspondence, однако конкретные результаты и подробности оценки в README не приведены. Метаданные указывают английский язык. Модель опубликована в формате safetensors под лицензией MIT. Ее основная специализация — визуальное сопоставление между ракурсами; данные не подтверждают пригодность для более широкого набора задач обработки изображений.

Сценарии применения

  • поиск одного и того же объекта на фотографиях с разных ракурсов
  • сопоставление точек между изображениями улицы и карты
  • визуальное ориентирование по изображениям разных видов

Ограничения

README не приводит количественных результатов оценки или подробностей о пределах применимости; заявленное качество уровня state of the art нельзя проверить по предоставленной карточке. Специализация модели ограничена сопоставлением между ракурсами.

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

CroPond-7B

arXiv GitHub HuggingFace

CroPond-7B is a vision-language model specialized in cross-view point correspondence. Built upon Qwen2.5-VL-7B-Instruct and mainly trained on the CrossPoint-378K dataset, CroPond achieves state-of-the-art performance on cross-view correspondence tasks.

Evaluation

For detailed evaluation instructions, please visit the GitHub repository.

Citation

@article{wang2025crosspoint,
  title={Towards Cross-View Point Correspondence in Vision-Language Models},
  author={Wang, Yipu and Ji, Yuheng and Liu, Yuyang and Zhou, Enshen and Yang, Ziqiang and Tian, Yuxuan and Qin, Ziheng and Liu, Yue and Tan, Huajie and Chi, Cheng and Ma, Zhiyuan and Zeng, Daniel Dajun and Zheng, Xiaolong},
  journal={arXiv preprint arXiv:2512.04686},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
7644276

0 моделей