/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
MechVL-4B-SFT
Библиотека
transformers
Опубликована
25 июн 2026

MechVL-4B-RL

Вопросы по изображениюИзображение, текст → текст3 профессии

Мультимодальная модель для ответов на вопросы по инженерным механическим чертежам, дообученная с помощью DAPO.

357скачиваний за 30 дней4лайкавеса обновлены16 сен 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

MechVL-4B-RL — мультимодальная модель XiaofengAlg для понимания инженерных механических чертежей. Она принимает изображение чертежа вместе с текстовым вопросом и формирует текстовый ответ; модель разработана для сценариев, где нужно интерпретировать содержание чертежа и отвечать на вопросы о нём.

Это чекпойнт на базе MechVL-4B-SFT, дополнительно оптимизированный методом DAPO в двухэтапном режиме self-play. В README указана архитектура Qwen3VLForConditionalGeneration и базовая модель Qwen3-VL-4B-Instruct. В обучении использовался бенчмарк MechVQA, включая повторную выборку с повышенной долей слабее решаемых подзадач. Модель выдаёт рассуждение и итоговый ответ в заданном формате; для извлечения ответа требуется следовать этому формату.

Карточка приводит результаты на MechVQA, но не содержит полного набора оценок и абляций. Модель доступна по лицензии Apache-2.0; для пакетного инференса README описывает использование Transformers и vLLM.

Сценарии применения

  • ответы на вопросы о содержании механических чертежей
  • интерпретация обозначений и элементов инженерных чертежей
  • анализ чертежей в задачах машиностроения
  • оценка понимания механических чертежей по бенчмарку MechVQA

Ограничения

Модель специализирована на механических чертежах; качество за пределами этой области в карточке не охарактеризовано. Для получения итогового ответа необходимо учитывать заданный формат вывода с разделением рассуждения и ответа.

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

MechVL-4B-RL

The RL checkpoint of MechVL — the domain-specialized multimodal model for mechanical engineering drawing understanding, introduced in:

MechVQA: Benchmarking and Enhancing Multimodal LLMs on Comprehensive Mechanical Drawing Understanding (ICML 2026)

arXiv Code

Model description

MechVL-4B-RL is obtained by further optimizing MechVL-4B-SFT with DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization) in a two-stage self-play regime:

  • Stage 1 (full): DAPO over the full MechVQA training split.
  • Stage 2 (targeted): DAPO over a re-sampled subset with an increased proportion of underperforming subtasks.

Reward = Accuracy (LLM-as-a-Judge, semantic equivalence in [0,1]) + Format (binary, well-formed <think>/<answer>) + Quality (Logic / Professionalism / Conciseness).

Base modelQwen3-VL-4B-Instruct
ArchitectureQwen3VLForConditionalGeneration
Stage2 / 2 — RL (DAPO self-play, on top of SFT)
MechVQA Total84.85 (best across open- & closed-source MLLMs)
SFT checkpointXiaofengAlg/MechVL-4B-SFT

Output format

The model reasons then answers, enclosed as:

<think> ...reasoning... </think><answer> ...final answer... </answer>

Parse the <answer>...</answer> span for the final answer (a regex like <answer>(.*?)</answer> works).

Usage (transformers)

import re, torch
from transformers import AutoProcessor, AutoModelForImageTextToText

model = AutoModelForImageTextToText.from_pretrained(
    "XiaofengAlg/MechVL-4B-RL", dtype=torch.bfloat16, device_map="auto"
)
processor = AutoProcessor.from_pretrained("XiaofengAlg/MechVL-4B-RL")

question = "图纸中标注的零件总长度是多少?"
# RL format prompt (matches training): question + <think>/<answer> instruction
messages = [{"role": "user", "content": [
    {"type": "image", "url": "path/to/drawing.png"},
    {"type": "text", "text": question},
]}]
inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt",
).to(model.device)
out = model.generate(**inputs, max_new_tokens=4096, do_sample=True,
                     temperature=0.6, top_p=0.95, top_k=20)
text = processor.decode(out[0], skip_special_tokens=True)
m = re.search(r"<answer>(.*?)</answer>", text, re.DOTALL)
print("answer:", m.group(1).strip() if m else text)

For batch vLLM inference with the exact training-time format prompt, see scripts/batch_infer.py (MODE=rl) and prompts/mech_r1.jinja.

Results

On the MechVQA benchmark (Total score):

ModelTotal
GPT-575.44
Gemini-3-Pro-Preview77.28
GLM-4.6V (best closed-source)78.91
MechVL-4B-SFT76.36
MechVL-4B-RL (this model)84.85

See §6 of the paper for the full table and ablations (DAPO > GRPO > GSPO; two-stage self-play; reward-component ablations).

Citation

@misc{kou2026mechvqabenchmarkingenhancingmultimodal,
      title={MechVQA: Benchmarking and Enhancing Multimodal LLMs on Comprehensive Mechanical Drawing Understanding},
      author={Qian Kou and Xiaofeng Shi and Yulin Li and Xiaosong Qiu and Xinyang Wang and Hua Zhou and Cao Dongxing},
      year={2026},
      eprint={2605.30794},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2605.30794}
}

License

Apache-2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
aab8638

0 моделей