/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
11 дек 2025

Qwen2.5-VL-SAT

Изображение и текст → текст3 профессии

Дообученная мультимодальная Qwen2.5-VL-7B для пространственного анализа и визуального рассуждения по изображениям и видео.

126скачиваний за 30 дней2лайкавеса обновлены4 фев 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

array разработала мультимодальную модель Qwen2.5-VL-SAT на основе Qwen/Qwen2.5-VL-7B-Instruct, дообучив её для пространственных и визуальных задач. Обучающая смесь состояла из 60% данных SAT и 40% ответов из Video-R1; модель содержит 7,1 млрд параметров и использует архитектуру Qwen2.5-VL с плотными слоями. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; заявленная длина контекста — 128 000 токенов.

Модель предназначена для анализа пространственных отношений и визуального рассуждения по изображениям и видео. В таблице результатов авторы приводят улучшения относительно базовой Qwen2.5-VL-7B на совокупном наборе оценок, включая BLINK, SAT-R и VSI. Для загрузки и запуска указана библиотека Transformers. Лицензия — MIT.

В README сообщается об исправлении ошибки, из-за которой некоторые версии Transformers могли выдавать случайные ответы; для устранения проблемы рекомендуется заново загрузить модель. Подробности метрик и обучающих данных авторы отсылают к статье.

Сценарии применения

  • определение пространственных отношений между объектами на изображении
  • ответы на вопросы о содержимом изображения
  • визуальное рассуждение по сценам и объектам
  • анализ визуальных данных из видео

Ограничения

В README отмечалась ошибка случайной генерации в некоторых версиях Transformers; исправленная версия опубликована 3 февраля 2026 года, и для исправления рекомендуется заново скачать модель. Результаты приведены на перечисленных авторами наборах оценки, а подробности методики вынесены в статью.

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

Model Card for Model ID

A strong spatial Qwen 2.5 VL baseline.

Post-trained on SAT, and just the answers from Video-R1. The exact mix is 60% SAT, 40% Video-R1.

News:

  • Feb 3, 2026: There was a bug with this model where it was producing random outputs for some Transformers packages. It has been fixed, please redownload the model and let us know if you still face this issue.

Get Started

% pip install git+https://github.com/huggingface/transformers accelerate
% pip install qwen-vl-utils[decord]==0.0.8

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor

model = Qwen2_5_VLForConditionalGeneration.from_pretrained("array/Qwen2.5-VL-SAT")
processor = AutoProcessor.from_pretrained(
    exp_confs["model_path"],
    trust_remote_code=model_config.trust_remote_code
)

Please see the paper for details on training and evaluation datasets and metrics.

Results

ModelMVRelDepSpRelJigIQTBLINK AvgBLINK ReasSAT-RVSI AvgVSI ReasERQAAvg (All)
Qwen2.5-VL (7B)39.0061.2992.3858.6625.3355.3341.0059.0023.9622.9638.9144.30
+ SAT57.1487.0974.1258.6630.0061.4048.6071.6632.4030.6538.0050.87

Citation [optional]

@misc{ray2025satdynamicspatialaptitude,
      title={SAT: Dynamic Spatial Aptitude Training for Multimodal Language Models}, 
      author={Arijit Ray and Jiafei Duan and Ellis Brown and Reuben Tan and Dina Bashkirova and Rose Hendrix and Kiana Ehsani and Aniruddha Kembhavi and Bryan A. Plummer and Ranjay Krishna and Kuo-Hao Zeng and Kate Saenko},
      year={2025},
      eprint={2412.07755},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2412.07755}, 
    }

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
4ce7dc2

0 моделей