/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
28 июн 2026

AnomalyThink-Qwen2.5-VL-7B-KCR

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL для объяснимого поиска и классификации дефектов на изображениях промышленных изделий.

38скачиваний за 30 дней1лайквеса обновлены18 сен 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

AnomalyThink-Qwen2.5-VL-7B-KCR — мультимодальная модель для объяснимого обнаружения промышленных дефектов, созданная автором репозитория на основе Qwen2.5-VL-7B-Instruct. Модель дообучена методом supervised fine-tuning на корпусе из 6 000 размеченных рассуждений KCR; визуальный энкодер заморожен. На изображении изделия она формирует структурированный разбор, определяет тип дефекта и выдаёт бинарный вердикт о наличии аномалии.

Модель предназначена для исследований и анализа изображений промышленных изделий. В карточке приведены результаты сбалансированной точности 82,80% на DS-MVTec и 72,07% на VisA в рамках общей процедуры оценки; на обоих наборах она превзошла указанный в README чекпойнт IAD-R1. Поддерживает ввод изображения и текста и выдаёт текст. Использует архитектуру Qwen2.5-VL; базовая модель имеет 7,1 млрд параметров. Лицензия — Apache-2.0.

Модель может уверенно ошибочно находить дефект на нормальном изделии. Результаты на DS-MVTec и VisA следует трактовать с учётом возможного присутствия общедоступных изображений в данных предварительного обучения визуально-языковых моделей.

Сценарии применения

  • поиск аномалий на изображениях изделий
  • бинарная проверка наличия производственного дефекта
  • определение типа дефекта на детали
  • формирование объяснения визуального решения для контроля качества

Ограничения

Модель может уверенно выдавать ложноположительный результат, находя дефект на нормальном изделии. Результаты на DS-MVTec и VisA могут быть завышены, если эти общедоступные изображения встречались при предварительном обучении визуально-языковых моделей.

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

AnomalyThink-Qwen2.5-VL-7B-KCR

The single best detector in the thesis (DS-MVTec 82.80 / VisA 72.07). Supervised fine-tuning only, no reinforcement-learning stage on top.

A Qwen2.5-VL-7B model fine-tuned for explainable industrial anomaly detection (IAD). Given a product image it produces a structured reasoning trace (<think>), a defect <location> and <type> (for anomalies), and a binary <answer>. Research artefact from the MSc thesis Reasoning-Enhanced Vision-Language Models for Explainable Industrial Anomaly Detection (TU Delft, 2026).

What Keep-Correct-Revise (KCR) means

Keep-Correct-Revise (KCR) is the data recipe this model is named after. It works in four steps:

  1. An SFT plus GRPO policy generates its own reasoning traces on Real-IAD images.
  2. A trace is kept when the policy got the verdict right and the reasoning holds up.
  3. A trace is corrected by a teacher model when the verdict is wrong.
  4. A trace is revised by a teacher model when the verdict is right but the reasoning is only weakly grounded in the image.

The curated traces are then used to fine-tune the base model again from scratch. So the policy supplies the raw material, the teacher only repairs what is broken or poorly grounded, and the final model is a fresh fine-tune of Qwen2.5-VL-7B on the result.

Results (MMAD subsets, balanced accuracy)

BenchmarkBalanced accuracy
DS-MVTec (1,670)82.80%
VisA (2,141)72.07%

Evaluated under a single common harness on the MMAD DS-MVTec and VisA subsets. It exceeds the released IAD-R1 checkpoint on both benchmarks under this harness, using supervised fine-tuning alone.

Training

Supervised fine-tuning from the Qwen2.5-VL-7B base on the curated KCR corpus. 6,000 balanced traces, 50/50 defect and non-defect, vision encoder frozen. No reinforcement-learning stage is used.

The traces that the teacher writes or repairs come from Gemini 2.5-Flash, on Real-IAD images. Training data: aacudad/AnomalyThink (folder iter2).

The AnomalyThink Qwen family

ModelDS-MVTecVisANote
…-7B-KCR82.8072.07this model, thesis headline
…-7B-SFT80.1664.78plain SFT baseline
…-7B-SFT-GRPO82.7370.39SFT then GRPO, the policy KCR rolls out from
…-7B-KCR-GRPO82.9572.62research preview, not a thesis result

Usage

import torch
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
model_id = "aacudad/AnomalyThink-Qwen2.5-VL-7B-KCR"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)
# Build the structured single-image IAD prompt + image, then generate.

Intended use and limitations

Research on explainable IAD. Known limitations: the model can confidently hallucinate a defect on a normal part (false positive), and GRPO-lineage variants can over-predict the "Missing Parts" type. As the public DS-MVTec/VisA images may appear in VLM pretraining, absolute numbers should be read with that caveat.

Citation

@mastersthesis{acudad2026reasoning,
  author  = {Acudad, A.},
  title   = {Reasoning-Enhanced Vision-Language Models for Explainable Industrial Anomaly Detection},
  school  = {Delft University of Technology},
  year    = {2026},
  type    = {Master's thesis},
  url     = {https://resolver.tudelft.nl/uuid:65c62420-79c0-447f-b095-7fb11d4474fc}
}

Thesis: https://resolver.tudelft.nl/uuid:65c62420-79c0-447f-b095-7fb11d4474fc. Code and evaluation files: https://github.com/aacudad/IAD-VLMs.

License

Apache-2.0 (inherits the Qwen2.5-VL-7B base). Trained on Real-IAD (cite Real-IAD separately, images are not redistributed) with traces distilled from Gemini 2.5-Flash.

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
c6ec875

0 моделей