/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
28 сен 2026

VQS

Изображение и текст → текст

VQS-2B — дообученная мультимодальная модель Qwen3-VL-2B-Instruct для кратких ответов на вопросы по изображениям, включая графики и инфографику.

56скачиваний за 30 дней1лайквеса обновлены29 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

VQS-2B — мультимодальная модель для ответов на вопросы по изображениям, разработанная Ahmed Heakl, Sungik Choi, Moontae Lee и Salman Khan при участии LG AI Research, MBZUAI, Australian National University и University of Illinois at Chicago. Она основана на Qwen3-VL-2B-Instruct и дообучена методом VQS на вопросах, которые модель генерировала и проверяла по неразмеченным изображениям; в обучении использовалась оптимизация GRPO.

Модель предназначена для визуального вопросно-ответного взаимодействия, включая понимание сцен, диаграмм, графиков и инфографики. Она принимает изображение и текстовый вопрос, а отвечает текстом; карточка демонстрирует запуск с контекстом до 8192 токенов. Ответы настроены на краткий формат: одно слово или фраза, число либо буква варианта. В README приведены результаты оценки на нескольких бенчмарках, но они относятся к отчёту авторов статьи.

Известное ограничение — склонность к лаконичным ответам: для ожидаемого формата рекомендуется явно просить одно слово, число или букву варианта. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы по изображениям
  • извлечение значений и сравнение данных на графиках
  • ответы на вопросы по инфографике
  • понимание диаграмм и схем
  • визуальные вопросы с выбором варианта ответа

Ограничения

Модель настроена на короткие ответы; для результатов в ожидаемом формате следует явно запросить одно слово или фразу, число либо букву варианта. Данных о лицензии в предоставленных материалах нет.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VQS-2B

Program-Verified Self-Evolution for Vision-Language Models

Ahmed Heakl1,2 · Sungik Choi1 · Moontae Lee1,4 · Salman Khan2,3

1LG AI Research   2MBZUAI   3Australian National University   4University of Illinois at Chicago

arXiv Project page Code

VQS-2B is Qwen3-VL-2B-Instruct improved with VQS (Verifiable QA Generation for Self-Evolving Models), the method of our paper Program-Verified Self-Evolution for Vision-Language Models. It was trained only on questions it wrote for itself from unlabeled images: no human question, answer or label is used at any stage, and no other model takes part. The same 2B weights parse the image, write the question, check the facts behind the answer, and solve it.

VQS overview

How VQS works

Prior self-evolving methods label their own questions by majority vote or with a model judge, and in the paper's human evaluation 24% of majority-vote labels and 18% of model-judge labels are wrong. VQS computes the answer instead:

  1. Parse. The model turns each image into a structured record (a scene graph, a chart table, a diagram graph or infographic entries) under a JSON schema that the decoder enforces.
  2. Program. Fixed template programs read the record, write a question and compute its answer.
  3. Check. The model confirms every fact the program read, one short claim at a time; a blind gate drops questions answerable without the image, and a difficulty band keeps questions the solver gets right in some but not all of 8 rollouts.
  4. Train. GRPO rewards exact match with the computed answer. The same claim-level checks also choose the parser's own training targets, so the parser improves without labels.

Human raters find 94.4% of VQS answers correct, against 76.4% for majority voting and 82.2% for a model judge (paper, Table 2).

Results

Reported in the paper (Table 1, Qwen3-VL-2B; all methods train on unlabeled images only):

MethodGQAOK-VQAInfoVQASQAMMMUMMBESBLogicVMMStarSEEDAvg
Base58.2540.7669.0279.4238.9274.4868.5435.0455.6272.1659.22
VisPlay58.6541.1569.9680.7439.2774.5268.5634.9355.3771.6259.48 (+0.26)
Vision-Zero58.9841.3970.9381.9639.5875.0769.7235.2855.5871.5360.00 (+0.78)
EvoLMM59.0138.0370.6983.0139.0874.6269.3234.9955.5071.1759.54 (+0.32)
iReasoner59.1338.1370.8283.1239.1174.7569.6735.0955.5971.2559.67 (+0.45)
VISE59.4141.2471.4383.6140.6776.7270.1431.9255.0272.1860.23 (+1.01)
VQS (ours)59.5242.6072.0186.8146.7878.2671.5436.8357.0472.6162.40 (+3.18)

InfoVQA = InfographicsVQA, SQA = ScienceQA, MMB = MMBench, ESB = EmbSpatial, LogicV = LogicVista. The 4B and 8B results, ablations and multi-cycle results are in the paper and on the project page.

Usage

Transformers

from transformers import AutoModelForImageTextToText, AutoProcessor
from PIL import Image

model = AutoModelForImageTextToText.from_pretrained("ahmedheakl/VQS", dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("ahmedheakl/VQS")

messages = [{"role": "user", "content": [
    {"type": "image"},
    {"type": "text", "text": "In 2020, which is higher, Stayovers or Day trippers?\n"
                             "Answer the question using a single word or phrase."},
]}]
text = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=False)
inputs = processor(text=[text], images=[Image.open("chart.png")], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=64, do_sample=False)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

vLLM

from vllm import LLM, SamplingParams
from PIL import Image

llm = LLM(model="ahmedheakl/VQS", limit_mm_per_prompt={"image": 1}, max_model_len=8192)
prompt = ("<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>"
          "In 2020, which is higher, Stayovers or Day trippers?\n"
          "Answer the question using a single word or phrase.<|im_end|>\n<|im_start|>assistant\n")
out = llm.generate({"prompt": prompt, "multi_modal_data": {"image": Image.open("chart.png")}},
                   SamplingParams(temperature=0, max_tokens=64))
print(out[0].outputs[0].text)

Training answers are short by construction, so the model is tuned for terse replies. For results consistent with training, end the question with the answer-format instruction used there: Answer the question using a single word or phrase., Answer the question using a single number., or Answer with the option's letter from the given choices directly.

Training details

Base modelQwen/Qwen3-VL-2B-Instruct
Dataself-generated questions over charts, infographics, natural images and diagrams
AdapterLoRA r = 64, α = 128, all linear layers, .*visual.* excluded; merged into these weights
Vision towerfrozen: the vision weights are identical to the base model
AlgorithmGRPO, 8 rollouts at temperature 1.0, low-variance KL with β = 0.01
OptimizerAdamW, learning rate 1e-5 (constant)
Batchesrollout 256 prompts, global update 128
FrameworkEasyR1

The full pipeline, from unlabeled images to parser training, question generation, filtering and GRPO, with every setting from the paper, is at github.com/ahmedheakl/VQS.

Citation

@article{heakl2026vqs,
  title   = {Program-Verified Self-Evolution for Vision-Language Models},
  author  = {Heakl, Ahmed and Choi, Sungik and Lee, Moontae and Khan, Salman},
  journal = {arXiv preprint arXiv:2609.33855},
  year    = {2026},
  url     = {https://arxiv.org/abs/2609.33855}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
dc33636

0 моделей