/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
CC BY 4.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
17 мар 2026

VFIG-4B

Обучение с подкреплением3 профессии

Мультимодальная модель, преобразующая изображения научных и технических фигур в редактируемый SVG-код.

255скачиваний за 30 дней8лайковвеса обновлены27 мар 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

VFIG-4B — дообученная мультимодальная модель на 4 млрд параметров, разработанная для преобразования сложных научных и технических иллюстраций в редактируемый SVG-код. Она принимает изображение фигуры и генерирует векторное описание, которое можно масштабировать и изменять.

Модель основана на Qwen/Qwen3-VL-4B-Instruct. Обучение включало SFT и обучение с подкреплением GRPO с визуальными вознаграждениями, учитывающими результат рендеринга. Языковая часть дообучалась с помощью LoRA, а визуальный энкодер и проектор оставались замороженными. Модель предназначена для восстановления схем и графиков, а не для общих задач понимания изображений. Лицензия — CC BY 4.0.

Сценарии применения

  • перевод научной схемы в редактируемый SVG
  • векторизация технической иллюстрации
  • восстановление диаграммы по изображению
  • создание масштабируемой SVG-версии графика

Ограничения

Модель рассчитана на преобразование научных и технических фигур в SVG; качество для других типов изображений не заявлено. Карточка не приводит результатов оценки качества.

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

VFIG-4B

This repository contains the merged RL-trained checkpoint for VFIG-4B, a 4B vision-language model for converting complex scientific and technical figures into clean, editable SVG code.

Model Details

PropertyValue
Base ModelQwen/Qwen3-VL-4B-Instruct
TrainingSFT + GRPO-based RL with rendering-aware visual rewards
ArchitectureLoRA on language model; vision encoder and projector frozen
Parameters4B
PrecisionBF16

Intended Use

Given an input image of a scientific or technical figure, the model generates SVG code that reconstructs the figure as a scalable, editable vector graphic.

Quick Start

pip install transformers torch accelerate pillow
import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForImageTextToText

model_name = "XunmeiLiu/VFIG-4B"

processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForImageTextToText.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="cuda",
    trust_remote_code=True,
)
model.eval()

def figure_to_svg(image_path: str) -> str:
    img = Image.open(image_path).convert("RGB")

    messages = [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                {"type": "text", "text": "Convert this figure into valid SVG code."},
            ],
        }
    ]

    chat_input = processor.tokenizer.apply_chat_template(
        messages, tokenize=False, add_generation_prompt=True
    )
    inputs = processor(text=[chat_input], images=[img], return_tensors="pt").to("cuda")

    with torch.no_grad():
        output_ids = model.generate(**inputs, max_new_tokens=8192, do_sample=False)

    decoded = processor.tokenizer.decode(output_ids[0], skip_special_tokens=True)

    if "<svg" in decoded:
        decoded = decoded[decoded.find("<svg"):]
    if "</svg>" in decoded:
        decoded = decoded[: decoded.find("</svg>") + len("</svg>")]
    return decoded.strip()

# Download the example image
import urllib.request
urllib.request.urlretrieve(
    "https://huggingface.co/XunmeiLiu/VFIG-4B/resolve/main/simple_diagram.png",
    "simple_diagram.png"
)

svg_code = figure_to_svg("simple_diagram.png")
print(svg_code)

License

This repository uses the cc-by-4.0 license. Please also ensure that redistribution is compatible with the license of the underlying base model.

Citation

If you use VFIG-4B in your research, please cite:

@misc{he2026vfigvectorizingcomplexfigures,
      title={VFIG: Vectorizing Complex Figures in SVG with Vision-Language Models}, 
      author={Qijia He and Xunmei Liu and Hammaad Memon and Ziang Li and Zixian Ma and Jaemin Cho and Jason Ren and Daniel S Weld and Ranjay Krishna},
      year={2026},
      eprint={2603.24575},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2603.24575}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
448d410

0 моделей