/ 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
7 июл 2026

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

Изображение и текст → текст3 профессии

Экспериментальная мультимодальная модель на базе Qwen2.5-VL для обнаружения и объяснения промышленных аномалий на изображениях.

45скачиваний 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-GRPO — мультимодальная модель для объяснимого обнаружения промышленных аномалий, разработанная Adnane Acudad. Это экспериментальный контрольный чекпойнт из семейства AnomalyThink: модель принимает изображения и текстовые инструкции и формирует текстовый ответ с оценкой аномалии и обоснованием. В основе лежит Qwen/Qwen2.5-VL-7B-Instruct; модель дообучена по рецепту Keep-Correct-Revise, а затем прошла дополнительное обучение GRPO. Используются архитектура Qwen2.5-VL и формат весов safetensors.

В README приведены результаты balanced accuracy: 82,95% на DS-MVTec и 72,62% на VisA. Автор отмечает, что улучшение относительно KCR-инициализации невелико и нестабильно, поэтому этот запуск рассматривается как будущая работа, а основной результат исследования — отдельная модель KCR без GRPO. Модель предназначена для экспериментов и оценки объяснимого визуального контроля качества; лицензия — Apache-2.0.

Сценарии применения

  • поиск дефектов на изображениях промышленных изделий
  • классификация изображения изделия как нормального или аномального
  • получение текстового обоснования обнаруженной аномалии
  • оценка методов визуального контроля на наборах DS-MVTec и VisA

Ограничения

README характеризует прирост от GRPO как небольшой и нестабильный; приведённые результаты не следует трактовать как устойчивое превосходство над SFT. Оценка указана только для DS-MVTec и VisA.

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-GRPO

This is a research-preview checkpoint and is NOT the thesis headline model. It is released for completeness alongside the AnomalyThink family. The headline model of the thesis is aacudad/AnomalyThink-Qwen2.5-VL-7B-KCR (DS-MVTec 82.80 / VisA 72.07), which is SFT only. The GRPO run below is discussed only as future work.

A reasoning-enhanced vision-language model for explainable industrial anomaly detection. It takes the Keep-Correct-Revise model as its starting point and then trains it further with GRPO, with the RL training prompt aligned to the evaluation prompt (KL penalty β = 0.1, 3 epochs, reward = accuracy + format). This is checkpoint-954 of that run.

What Keep-Correct-Revise (KCR) means

Keep-Correct-Revise (KCR) is the data recipe behind the model this run starts from. An SFT plus GRPO policy generates its own reasoning traces on Real-IAD images. Each trace is then kept when the verdict is correct, corrected by a teacher model when the verdict is wrong, and revised by a teacher model when the verdict is correct but the reasoning is only weakly grounded in the image. The base model is then fine-tuned from scratch on the curated 6,000-trace result. That fine-tune is the KCR model.

This model is one more GRPO stage stacked on top of that KCR model.

Why "future work" and not a result

GRPO on the already-strong KCR init edges the SFT ceiling on average but the trajectory bounces across epoch 3 rather than climbing monotonically, so the gain is small and not yet clearly stable. The thesis therefore reports the KCR SFT model as the headline and holds this run as future work. Do not read these numbers as "GRPO beat SFT".

Balanced accuracy (checkpoint-954)

Balanced accuracy BA = 0.5 * (TP/(TP+FN) + TN/(TN+FP)), recomputed from the raw tp/tn/fp/fn of each eval JSON (shipped in the code repo).

BenchmarkBAtptnfpfnn
DS-MVTec82.951004373712221670
VisA72.627198041404782141

Average 77.78, versus the KCR init's 77.44 (82.80 / 72.07).

The AnomalyThink Qwen family for context

ModelDS-MVTecVisANote
…-7B-KCR82.8072.07thesis headline
…-7B-SFT80.1664.78plain SFT baseline
…-7B-SFT-GRPO82.7370.39released RL model, the policy KCR rolls out from
this model (GRPO on KCR, ckpt-954)82.9572.62research preview / future work

Usage

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model_id = "aacudad/AnomalyThink-Qwen2.5-VL-7B-KCR-GRPO"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(model_id, torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

messages = [{"role": "user", "content": [
    {"type": "image", "image": "file:///path/to/part.png"},
    {"type": "text", "text": "Is there a defect in this product? Analyze and answer yes or no."},
]}]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
imgs, vids = process_vision_info(messages)
inputs = processor(text=[text], images=imgs, videos=vids, padding=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512)
print(processor.batch_decode(out[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0])

Links

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

Derived from Qwen2.5-VL-7B-Instruct (Apache-2.0). Evaluated on DS-MVTec and VisA (MMAD protocol), trained on AnomalyThink traces distilled from Gemini-2.5-Flash over Real-IAD.

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
080d1e2

0 моделей