/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
25 июн 2026

MechVL-4B-SFT

Вопросы по изображениюИзображение, текст → текст3 профессии

Мультимодальная модель для ответов на вопросы и анализа машиностроительных чертежей по изображению.

26скачиваний за 30 дней0лайковвеса 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-SFT — мультимодальная модель XiaofengAlg для понимания машиностроительных чертежей. Она дообучена методом полного SFT на обучающей части датасета MechVQA на базе Qwen3-VL-4B-Instruct; визуальный энкодер и проекция при обучении оставались замороженными. Модель служит опорной политикой для следующего этапа обучения с подкреплением.

Модель принимает изображение чертежа и текстовый вопрос, а в ответ формирует текст с обоснованием и кратким итоговым ответом. Она предназначена для визуальных вопросов о механических чертежах; заявлены китайский и английский языки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображению машиностроительного чертежа
  • анализ элементов и обозначений механических чертежей
  • формирование краткого ответа с обоснованием по чертежу

Ограничения

Модель обучена на обучающей части MechVQA и ориентирована на понимание машиностроительных чертежей; качество на других типах изображений и вне заявленных языков не установлено.

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-SFT

The SFT 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-SFT is initialized from Qwen3-VL-4B-Instruct and trained with full-parameter SFT on the LLM module (vision encoder & projection frozen) over the MechVQA training split. It serves as the reference policy (π_ref) for the subsequent RL stage.

Base modelQwen3-VL-4B-Instruct
ArchitectureQwen3VLForConditionalGeneration
Stage1 / 2 — SFT (→ RL)
MechVQA Total76.36
RL checkpointXiaofengAlg/MechVL-4B-RL

Usage (transformers)

import torch
from transformers import AutoProcessor, AutoModelForImageTextToText

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

messages = [{"role": "user", "content": [
    {"type": "image", "url": "path/to/drawing.png"},
    {"type": "text", "text": "图纸中标注的零件总长度是多少?"},
]}]
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=1024)
print(processor.decode(out[0], skip_special_tokens=True))

For batch vLLM inference (SFT/RL dual-mode), see scripts/batch_infer.py.

Training

Full-parameter SFT on the LLM module (vision tower frozen) over the MechVQA training split, with a unified response schema (rationale + concise final answer). See §4.1 of the paper.

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
538098c

0 моделей