/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
22 июн 2026

VisReason-Pro-Qwen2.5-VL-7B

Изображение и текст → текст3 профессии

Мультимодальная модель Y-Research-Group для пошагового визуального рассуждения, локализации объектов и анализа пространственных отношений на изображениях.

30скачиваний за 30 дней1лайквеса обновлены22 июн 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

VisReason-Pro-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуального рассуждения с привязкой к пространственным отношениям. Она дообучена методом LoRA на базе Qwen/Qwen2.5-VL-7B-Instruct и VisReason с дополнительным обучением на подмножестве VisReason-Pro, содержащем около 165 тысяч примеров с 3D-привязкой, после чего веса объединены с базовыми. Модель содержит 7,1 млрд параметров, принимает изображения и текст, а её контекст составляет до 128 000 токенов.

Модель предназначена для пошагового анализа изображений, точной локализации небольших объектов и рассуждений о сложных двумерных и трёхмерных отношениях в диалогах из нескольких ходов. В обученном формате она может вызвать инструмент image_zoom_in_tool для обрезки области изображения по нормализованной рамке bbox_2d, а затем сформулировать ответ. Карточка сообщает о лицензии other; конкретные условия следует сверять с лицензией репозитория.

Сценарии применения

  • ответы на вопросы о содержимом изображения с пошаговым обоснованием
  • поиск и локализация небольших объектов на изображении
  • анализ взаимного расположения объектов в 2D и 3D
  • многошаговое визуальное рассуждение в диалоге
  • увеличение и анализ выбранной области изображения

Ограничения

Модель оптимизирована для визуального рассуждения и пространственной привязки; её качество вне этих сценариев не описано. Для точного применения следует учитывать обученный формат вызова инструмента и проверять условия лицензии other в репозитории.

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

VisReason-Pro-Qwen2.5-VL-7B

The main VisReason model from our ECCV 2026 paper. Built on VisReason-Qwen2.5-VL-7B and further trained on VisReason-Pro — the high-fidelity subset (~165K, the GQA portion) produced under a stronger GPT-4.1-series annotator with depth-informed 3D grounding — to strengthen spatially-grounded, multi-round visual Chain-of-Thought reasoning over small objects and complex 2D/3D relations.

This checkpoint is the primary model evaluated across our benchmark suite (fine-grained grounding, multi-round visual CoT, MME, POPE, V*).

Training

  • Base model: Qwen/Qwen2.5-VL-7B-Instruct
  • Method: LoRA supervised fine-tuning — continued from the VisReason base model and further trained on the VisReason-Pro subset; merged into the base weights
  • Data: VisReason + VisReason-Pro (depth-grounded GQA subset)
  • Framework: LLaMA-Factory

Usage

The model is trained in a tool-calling chat format: it wraps reasoning in <think>...</think>, optionally emits a single image_zoom_in_tool call with a ratio-based bbox_2d ([x1,y1,x2,y2] in [0,1]) to crop the current view, and outputs the final answer in <answer>...</answer>. Load with transformers (Qwen2_5_VLForConditionalGeneration) or serve with vLLM, using the standard Qwen2.5-VL processor.

Citation

@inproceedings{visreason2026,
  title     = {VisReason: A Large-Scale Dataset for Visual Chain-of-Thought Reasoning},
  author    = {Lingxiao Li and Yifan Wang and Xinyan Gao and Chen Tang and Xiangyu Yue and Chenyu You},
  booktitle = {European Conference on Computer Vision (ECCV)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
f04ec27

0 моделей