/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
8 авг 2026

OPD-V-Qwen3.5-4B

Изображение и текст → текст3 профессии

Дообученная модель Qwen3.5 на 4 млрд параметров для диалога и рассуждений по изображениям с акцентом на визуальные детали.

97скачиваний за 30 дней2лайкавеса обновлены8 авг 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

OPD-V-Qwen3.5-4B — дообученная мультимодальная модель на базе Qwen/Qwen3.5-4B, представленная в рамках исследовательской работы OPD-V. Чекпойнт обучен с положительными изображениями, содержащими увеличенные области с рамками объектов, и отрицательными изображениями со случайными масками.

Модель предназначена для диалога и рассуждений по изображениям, с акцентом на улучшенное восприятие визуальных деталей в условиях дисбаланса между модальностями. Она принимает текст и изображения и генерирует текстовые ответы. В карточке указаны архитектура Qwen3.5 и формат safetensors; базовая модель насчитывает 4 млрд параметров. Карточка не сообщает длину контекста и лицензию, поэтому условия использования уточнить по доступным данным нельзя.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • поиск мелких визуальных деталей на изображениях
  • диалог с анализом изображений
  • рассуждения по визуальным сценам

Ограничения

Карточка не приводит результаты оценки качества, длину контекста или сведения о лицензии. Заявленный фокус — визуальные детали; возможности за пределами сценариев понимания изображений отдельно не описаны.

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

OPD-V

This model checkpoint is part of OPD-V, presented in the paper OPD-V: Self-Distillation Improves Visual Detail Perception in Vision-Language Models.

Code & Repository: GitHub - OPD-V
Base Model: Qwen/Qwen3.5-4B
Paper: OPD-V: Self-Distillation Improves Visual Detail Perception in Vision-Language Models

Overview

OPD-V is a visual On-Policy Self-Distillation (OPSD) framework for improving multimodal reasoning under Modality Imbalance. Instead of relying on a single privileged teacher, OPD-V contrasts a Positive Teacher conditioned on a Zoom-In Image with a Negative Teacher conditioned on a Mask Image, and distills only the on-policy tokens selected by the resulting Modality-Balance Trust Region.

This checkpoint corresponds to OPD-V-Qwen3.5-4B trained with teacher-box positive images and random-mask negative images.

Citation

@misc{opdv2026,
  title={OPD-V: Self-Distillation Improves Visual Detail Perception in Vision-Language Models},
  author={},
  year={2026},
  eprint={2608.05131},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
e953298

0 моделей