/ 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-SFT

Изображение и текст → текст3 профессии

Мультимодальная модель Qwen2.5-VL, дообученная для обнаружения и объяснения дефектов на промышленных изображениях.

32скачиваний за 30 дней0лайковвеса 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-SFT — мультимодальная модель для объяснимого обнаружения аномалий на промышленных изображениях, созданная как исследовательский артефакт магистерской работы TU Delft. Это базовая SFT-версия семейства AnomalyThink: Qwen2.5-VL-7B дообучена на 6 000 размеченных трасс рассуждений, созданных Gemini 2.5 Flash на изображениях Real-IAD; этапов RL и самодистилляции в обучении этой версии нет.

На вход модель получает изображение изделия и запрос, а на выходе формирует структурированное объяснение, описание дефекта и бинарное решение о наличии аномалии. В README приведены сбалансированные точности 80,16% на DS-MVTec и 64,78% на VisA при оценке на соответствующих поднаборах MMAD. Модель распространяется под лицензией Apache-2.0.

Модель может уверенно сообщать о дефекте на исправном изделии, что приводит к ложным срабатываниям. Результаты на открытых наборах DS-MVTec и VisA следует интерпретировать с учётом возможного попадания этих изображений в предобучение VLM.

Сценарии применения

  • поиск дефектов на изображениях промышленных изделий
  • бинарная проверка изделия на наличие аномалии
  • генерация объяснения обнаруженного визуального дефекта

Ограничения

Модель может уверенно выявлять дефект на исправном изделии, вызывая ложные срабатывания. Показатели на DS-MVTec и VisA могут быть завышены, если изображения из этих наборов встречались при предобучении VLM.

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-SFT

Supervised-fine-tuning-only baseline (DS-MVTec 80.16 / VisA 64.78).

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 this model is

This is the plain starting point of the AnomalyThink family. The base model is fine-tuned directly on 6,000 teacher-written reasoning traces. There is no reinforcement-learning stage and no self-distillation loop. Use it as the reference point that the later models are measured against.

It is not the Keep-Correct-Revise (KCR) model. KCR is the recipe where an SFT plus GRPO policy generates its own traces, which are then kept when correct, corrected by a teacher when wrong, and revised when correct but weakly grounded, after which the base model is fine-tuned on that curated result. The KCR model is released separately as aacudad/AnomalyThink-Qwen2.5-VL-7B-KCR.

Results (MMAD subsets, balanced accuracy)

BenchmarkBalanced accuracy
DS-MVTec (1,670)80.16%
VisA (2,141)64.78%

Evaluated under a single common harness on the MMAD DS-MVTec and VisA subsets. This is the SFT-only headline before any RL stage.

Training

Supervised fine-tuning on the AnomalyThink-6K corpus. 6,000 Gemini-2.5-Flash traces, vision encoder frozen, epoch 3 of 4.

The "AnomalyThink" reasoning traces were distilled from Gemini 2.5-Flash on Real-IAD images. Training data: aacudad/AnomalyThink (folder anomalythink_6k).

The AnomalyThink Qwen family

ModelDS-MVTecVisANote
…-7B-KCR82.8072.07thesis headline
…-7B-SFT80.1664.78this model
…-7B-SFT-GRPO82.7370.39this model plus GRPO
…-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-SFT"
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
7731492

0 моделей