/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
30 сен 2026

satquery-qwen-vl-3b-merged

Изображение и текст → текст

Дообученная Qwen2.5-VL-3B для ответов на вопросы и визуального анализа спутниковых снимков.

42скачиваний за 30 дней1лайквеса обновлены30 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

SatQuery AI — Qwen2.5-VL-3B Fine-tuned (Merged) — это мультимодальная модель для визуальных вопросов и ответов по спутниковым снимкам, созданная для проекта Smart India Hackathon 2026. Она дообучена методом QLoRA на базе Qwen/Qwen2.5-VL-3B-Instruct и опубликована в виде объединённых весов базовой модели и адаптера. Архитектура — плотная Qwen2.5-VL, размер — 3,1 млрд параметров по метаданным, контекст — до 128 000 токенов; модель принимает изображения и текстовые запросы, отвечает текстом.

Модель предназначена для анализа спутниковых изображений Sentinel-2 и вопросов о земном покрове, а также для визуального рассуждения и извлечения ограничивающих рамок объектов. README описывает её как часть системы, сочетающей VLM с отдельными ML/CNN-компонентами и GIS-вычислениями; заявленные для всей системы показатели точности нельзя считать подтверждёнными характеристиками одной этой модели. Модель размещена на Transformers и использует формат safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом спутникового снимка
  • классификация типов земного покрова на снимках Sentinel-2
  • визуальное рассуждение по данным дистанционного зондирования Земли
  • извлечение ограничивающих рамок объектов на спутниковых изображениях

Ограничения

Модель специализирована на спутниковых изображениях и обучалась на BigEarthNet; перенос результатов на другие источники снимков и задачи не установлен. Заявленные в README показатели относятся к составной системе и не подтверждают точность одной модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SatQuery AI — Qwen2.5-VL-3B Fine-tuned (Merged)

Smart India Hackathon 2026 | Problem Statement #167: Earth Observation Foundation Intelligence

SatQuery AI is a Tri-Brid satellite image intelligence system that fuses a fine-tuned Vision-Language Model (this model) with classical ML, deep learning CNNs, and exact GIS spatial mathematics to answer natural language queries about satellite imagery with 92.13% accuracy and 0% hallucination on numerical/spatial tasks.

This repository contains the full merged model (base + LoRA adapter weights merged). For the lightweight LoRA adapter only (~20MB), see argho229/satquery-qwen-lora-adapter.


📊 Benchmark Results

AI LayerArchitectureAccuracySpeed
Classical MLRandom Forest / ExtraTrees84.6% Top-1 (Macro-F1: 0.812)718 ms/tile
Deep Learning CNNResNet-18 (19-class multi-label)96.8% Top-3 (mAP: 0.884)51 ms/tile
GIS Math EngineNumPy 64-bit exact spatial math100% Deterministic<0.05 ms
Question Converter LLMQwen2.5-3B (4-bit QLoRA)99.4% valid JSON / 94.8% intent42.5 ms
Vision-Language (this model)Qwen2.5-VL-3B (fine-tuned)91.4% Binary RS-VQA (IoU: 0.742)~1.8 s
Tri-Brid EnsembleML + DL + GIS + VLM Fusion92.13% combined accuracyReal-time

🛰️ Model Details

  • Base Model: Qwen/Qwen2.5-VL-3B-Instruct
  • Fine-tuning Method: QLoRA (r=8, alpha=16, dropout=0.05)
  • Target Modules: q_proj, _proj
  • Training Platform: Google Colab (T4 GPU)
  • Training Steps: 1,186 steps
  • Model Size: ~7.5 GB (BF16)
  • Parameters: ~4B
  • Task: Satellite Image Visual Question Answering (RS-VQA)
  • Dataset: BigEarthNet (Sentinel-2 multi-spectral imagery, 19 land-cover classes)

🚀 Quick Start

Load the model

`python from transformers import AutoModelForCausalLM, AutoTokenizer, AutoProcessor import torch

model_id = "argho229/satquery-qwen-vl-3b-merged"

processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForCausalLM.from_pretrained( model_id, torch_dtype=torch.bfloat16, device_map="auto" ) `

Run inference on a satellite image

`python from PIL import Image

image = Image.open("your_sentinel2_image.png")

messages = [ { "role": "user", "content": [ {"type": "image", "image": image}, {"type": "text", "text": "What land cover types are present in this satellite image?"} ] } ]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True) inputs = processor(text=[text], images=[image], return_tensors="pt").to(model.device)

with torch.no_grad(): outputs = model.generate(**inputs, max_new_tokens=256, temperature=0.1)

response = processor.decode(outputs[0], skip_special_tokens=True) print(response) `

Using the lightweight LoRA adapter instead

`python from peft import PeftModel from transformers import AutoModelForCausalLM, AutoProcessor

base = AutoModelForCausalLM.from_pretrained( "Qwen/Qwen2.5-VL-3B-Instruct", torch_dtype=torch.bfloat16, device_map="auto" ) model = PeftModel.from_pretrained(base, "argho229/satquery-qwen-lora-adapter") `


🏗️ Architecture: The Tri-Brid System

Standard VLMs alone fail on satellite imagery numerical queries because neural networks cannot count raster pixels accurately. SatQuery AI solves this with a three-layer fusion:

User Query (Natural Language) │ ▼ ┌─────────────────────┐ │ Question Converter │ Qwen2.5-3B → structured JSON + GIS tool calls │ (Qwen2.5-3B LLM) │ └────────┬────────────┘ │ ┌────┴─────────────────────┐ │ │ ▼ ▼ ┌──────────┐ ┌────────────────────┐ │ GIS │ │ ML + CNN Stack │ │ Engine │ │ Random Forest + │ │ (exact │ │ ResNet-18 │ │ math) │ │ (19-class labels) │ └────┬─────┘ └────────┬───────────┘ │ │ └──────────┬─────────────┘ │ ▼ ┌───────────────────────┐ │ VLM (this model) │ Grounded visual reasoning │ Qwen2.5-VL-3B │ + bounding box extraction │ (fine-tuned) │ └───────────┬───────────┘ │ ▼ Final Answer (92.13% accuracy, 0% hallucination)


📂 Repository


📋 Training Details

ParameterValue
Base modelQwen2.5-VL-3B-Instruct
LoRA rank (r)8
LoRA alpha16
LoRA dropout0.05
Target modulesq_proj, v_proj
Training steps1,186
CheckpointsEvery 50 steps
HardwareGoogle Colab T4 GPU
Quantization4-bit QLoRA during training
Final formatBF16 merged weights

📄 License

Apache 2.0 — Free to use, modify, and distribute with attribution.


✍️ Authors

Developed for Smart India Hackathon 2026 — Problem Statement #167: Earth Observation Foundation Intelligence.

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
bbe4c62

0 моделей