/ 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-GRPO

Изображение и текст → текст3 профессии

Мультимодальная модель Qwen2.5-VL, дообученная для обнаружения промышленных дефектов на изображениях с объяснением и бинарным вердиктом.

33скачиваний 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-GRPO — разработанная автором карточки исследовательская модель для объяснимого обнаружения аномалий на промышленных изображениях. Это плотная мультимодальная модель Qwen2.5-VL с 7 млрд параметров, дообученная в два этапа: supervised fine-tuning на 6 000 примерах с рассуждениями, затем GRPO; опубликованный чекпойнт — checkpoint-530 этого запуска. Модель принимает изображение изделия и текстовую инструкцию, а в ответ формирует структурированное обоснование, описание дефекта и бинарный вердикт о наличии аномалии.

Модель предназначена для исследований визуального контроля качества и анализа объяснимости решений в промышленной инспекции. В README сообщаются сбалансированная точность 82,73% на подмножестве DS-MVTec и 70,39% на VisA; результаты получены на указанных наборах в общей тестовой процедуре. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Модель может уверенно ошибочно обнаруживать дефекты на нормальных изделиях, а варианты линии GRPO могут чрезмерно часто предсказывать тип дефекта «Missing Parts». В README также отмечено, что изображения из открытых тестовых наборов могли встречаться при предварительном обучении VLM, поэтому абсолютные показатели требуют осторожной интерпретации.

Сценарии применения

  • поиск дефектов на изображениях промышленных изделий
  • бинарная классификация изделия как нормального или аномального
  • описание типа и расположения обнаруженного дефекта
  • генерация объяснений для результатов визуального контроля качества

Ограничения

Модель может уверенно отмечать дефект на нормальном изделии и у вариантов линии GRPO наблюдается склонность к чрезмерным предсказаниям типа «Missing Parts». Результаты на открытых DS-MVTec и VisA могут быть завышены, если изображения встречались при предварительном обучении 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-GRPO

SFT then GRPO (DS-MVTec 82.73 / VisA 70.39).

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

Two stages. First supervised fine-tuning on 6,000 teacher-written reasoning traces, which gives aacudad/AnomalyThink-Qwen2.5-VL-7B-SFT. Then GRPO on top of that. This is checkpoint-530 of the GRPO run.

This model also has a second role in the project. It is the policy that Keep-Correct-Revise (KCR) rolls out from. KCR is the recipe where this SFT plus GRPO policy generates its own reasoning traces on Real-IAD images, and those traces are then kept when the verdict is correct, corrected by a teacher when the verdict is wrong, and revised when the verdict is correct but the reasoning is only weakly grounded. The base model is then fine-tuned from scratch on that curated corpus, which produces the thesis headline model aacudad/AnomalyThink-Qwen2.5-VL-7B-KCR.

Results (MMAD subsets, balanced accuracy)

BenchmarkBalanced accuracy
DS-MVTec (1,670)82.73%
VisA (2,141)70.39%

Evaluated under a single common harness on the MMAD DS-MVTec and VisA subsets. GRPO clearly lifts the plain SFT baseline here. On the stronger KCR initialisation the thesis finds no comparable gain, so KCR remains SFT only.

Training

Supervised fine-tuning on AnomalyThink-6K, then GRPO with a four-component reward (format, accuracy, type, location) and group size G=4.

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

The AnomalyThink Qwen family

ModelDS-MVTecVisANote
…-7B-KCR82.8072.07thesis headline
…-7B-SFT80.1664.78plain SFT baseline
…-7B-SFT-GRPO82.7370.39this model
…-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-GRPO"
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
f09c47b

0 моделей