/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-SAMTok
Библиотека
transformers
Опубликована
2 июл 2026

CycleGRPO-4B

Изображение и текст → текст3 профессии

Мультимодальная модель XinNUS на базе Qwen3-VL-4B для описания областей изображений с привязанными сегментационными масками.

26скачиваний за 30 дней2лайкавеса обновлены3 июл 2026

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

CycleGRPO-4B — мультимодальная модель XinNUS для генерации описаний изображений и сегментационных масок. Она дообучена на базе zhouyik/Qwen3-VL-4B-SAMTok методом обучения с подкреплением: модель учится согласовывать описание области изображения с возможностью найти эту область обратно. На этапе RL используются оценка пересечения масок и регуляризаторы без эталонных описаний.

Модель построена на архитектуре Qwen3-VL-4B и принимает изображения и текстовые запросы, выдавая текст с чередующимися специальными токенами масок для соответствующих частей описания. Обычный текст можно генерировать через Transformers; для преобразования токенов масок в сегментационные маски требуется декодер VQ-SAM2 из репозитория CycleGRPO.

Модель подходит для описания объектов и областей на изображении с привязкой к их маскам, а также для визуального заземления текстовых описаний. Карточка не сообщает контекстное окно и перечень поддерживаемых языков. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация описания объекта на изображении с его сегментационной маской
  • выделение областей изображения, соответствующих текстовому описанию
  • визуальное заземление фраз на соответствующих частях изображения

Ограничения

Для получения сегментационных масок из специальных токенов требуется декодер VQ-SAM2 и веса масочного токенизатора из репозитория CycleGRPO. В README не приведены сведения о поддерживаемых языках и длине контекста.

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

CycleGRPO-4B

CycleGRPO-4B is post-trained from zhouyik/Qwen3-VL-4B-SAMTok with caption ↔ grounding cycle-consistent reinforcement learning: a caption is rewarded by how well the model can ground it back to the region it describes (cycle IoU) plus GT-free regularizers — no reference-caption supervision in the RL stage. It produces descriptions with interleaved segmentation masks for the corresponding parts of the answer, decoded through the SAMTok mask tokenizer.

Code: github.com/devinxzhang/CycleGRPO

Quickstart

CycleGRPO-4B is a Qwen3-VL-4B that emits SAMTok mask tokens (<|mt_...|>). Plain text generation works with 🤗 Transformers directly; turning the mask tokens into segmentation masks needs the VQ-SAM2 decoder from the CycleGRPO repo (projects.transformers.vq_sam2), so clone and install it first:

pip install "transformers>=4.57"
git clone https://github.com/devinxzhang/CycleGRPO.git
cd CycleGRPO            # run from the repo root so `projects.transformers.vq_sam2` imports
pip install -e .

Generate (text + mask tokens)

import torch
from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

model_id = "XinNUS/CycleGRPO-4B"
model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id, dtype="auto", device_map="auto"
).eval()
processor = AutoProcessor.from_pretrained(model_id)

messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": "figs/totoro.jpg"},
        {"type": "text", "text": "Describe the image with interleaved segmentation "
                                 "masks for the corresponding parts of the answer."},
    ],
}]
inputs = processor.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True,
    return_dict=True, return_tensors="pt",
).to(model.device)

out = model.generate(**inputs, max_new_tokens=512, do_sample=False)
text = processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0]
print(text)   # answer text interleaved with <|mt_start|><|mt_XXXX|><|mt_YYYY|><|mt_end|> mask tokens

Decode mask tokens → segmentation masks

The <|mt_...|> tokens are decoded to masks by the VQ-SAM2 mask tokenizer. Use the reference implementation in the CycleGRPO repo rather than re-deriving it — see evaluation/groundingsuite/qwen3vl_groundingsuite_infer.py (or evaluation/dlc_bench/inference.py), which build the decoder and run the decode loop:

from projects.transformers.vq_sam2 import VQ_SAM2, VQ_SAM2Config, SAM2Config
# Those scripts also contain the `DirectResize` preprocessor, the mt-token parsing
# (extract_mt_token_ids / fix_mt_format), and the `VQ_SAM2.forward_with_codes(...)`
# decode step (codebook size 256, depth 2). Reuse them directly.

The decoder weights — mask_tokenizer_256x2.pth and sam2.1_hiera_large.pt — come from the base model Qwen3-VL-4B-SAMTok.

License

Released under Apache-2.0. Derived from Qwen3-VL-4B-SAMTok; use is also subject to the base model's license and terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
7fe0d95

0 моделей