/ 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-Qwen2.5-VL-7B

Изображение и текст → текст7 профессий

Мультимодальная модель для пошагового анализа изображений с уточнением деталей и выдачей обоснованного ответа.

36скачиваний 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-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуальных рассуждений, созданная дообучением Qwen/Qwen2.5-VL-7B-Instruct на наборе VisReason. Она строит общее предположение по изображению, затем при необходимости выделяет важные области для более детального анализа и формирует обоснованный ответ. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов.

Модель предназначена для диалоговых задач анализа изображений и визуального Chain-of-Thought. Она обучена выдавать рассуждение в специальном формате и может сформировать вызов инструмента image_zoom_in_tool с координатами области для увеличения. Вариант baseline не включает усиленное пространственное рассуждение с привязкой к глубине, доступное в VisReason-Pro. Для использования указана лицензия other; конкретные условия следует сверять с файлами лицензии репозитория.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • поиск мелких объектов и деталей на изображении
  • анализ визуальных сцен с пошаговым уточнением областей
  • диалоговый визуальный анализ с выбором участка изображения для увеличения

Ограничения

Базовый вариант не обладает усиленным пространственным рассуждением с привязкой к глубине, указанным для VisReason-Pro. Вызов увеличения области выдаётся в формате инструмента и требует совместимой обработки на стороне приложения.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VisReason-Qwen2.5-VL-7B

Qwen2.5-VL-7B-Instruct fine-tuned on the VisReason dataset to perform human-like, global-to-local visual Chain-of-Thought reasoning: the model forms a holistic hypothesis, then iteratively zooms into salient regions (areas of interest) to gather fine-grained visual evidence before producing a grounded final answer.

This is the base VisReason model (the baseline checkpoint in our experiments) used in the ECCV 2026 paper. For the depth-grounded variant with stronger spatial reasoning, see VisReason-Pro-Qwen2.5-VL-7B.

Training

  • Base model: Qwen/Qwen2.5-VL-7B-Instruct
  • Method: LoRA supervised fine-tuning (2 epochs), then merged into the base weights
  • Data: VisReason training set (~489K multi-round visual-CoT examples)
  • 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
b21a981

0 моделей