/ 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
9 окт 2025

VPPO-7B

Изображение и текст → текст3 профессии

VPPO-7B — мультимодальная модель для решения математических, геометрических и логических задач с опорой на изображения.

32скачиваний за 30 дней6лайковвеса обновлены7 ноя 2025

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

VPPO-7B — мультимодальная модель зрения и языка с 7,1 млрд параметров, разработанная авторами VPPO-RL. Это дообученная с помощью алгоритма Visually-Perceptive Policy Optimization (VPPO) версия Qwen2.5-VL-7B-Instruct. Модель принимает изображения и текст и предназначена для рассуждений по визуальной информации, особенно при решении задач по математике, геометрии и логике.

VPPO обучалась на наборе ViRL39K с мультимодальными задачами на рассуждение. В README заявлены улучшения на нескольких бенчмарках по математике, геометрии и логике, а также более стабильное обучение и быстрая сходимость. Архитектура — Qwen2.5-VL для генерации текста по визуальному и текстовому контексту; контекстное окно составляет 128 000 токенов. Модель доступна в формате safetensors и распространяется по лицензии MIT.

Сценарии применения

  • решение задач по математике на изображениях
  • разбор геометрических задач и диаграмм
  • ответы на вопросы по графикам и визуальным условиям
  • решение логических задач с визуальными данными

Ограничения

Описанные улучшения основаны на бенчмарках мультимодальных рассуждений; README не сообщает о результатах для других сценариев. Практическая точность может зависеть от сложности визуального условия и формулировки задачи.

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 VPPO-7B

Model Details

Model Description

VPPO-7B is a state-of-the-art Large Vision-Language Model (LVLM) specialized for complex multimodal reasoning tasks. It is the 7B parameter version of our model, fine-tuned from Qwen2.5-VL-7B-Instruct using a novel reinforcement learning algorithm called Visually-Perceptive Policy Optimization (VPPO).

The core innovation of VPPO is its ability to solve the "uniform learning signal" problem that plagues standard RL fine-tuning. Instead of broadcasting a single reward to all tokens in a reasoning chain, VPPO intelligently identifies and focuses policy updates on the sparse, critical tokens that are highly dependent on visual input. This hierarchical "spotlight" mechanism allows the model to develop a more robust and genuine perception-grounded reasoning capability.

As a result, VPPO-7B demonstrates significant performance improvements over strong baselines across a wide range of challenging benchmarks, including mathematics, geometry, and logic problems. It also exhibits superior training stability and faster convergence.

Model Sources

Training Details

Training Data

The model was fine-tuned on ViRL39K, a diverse collection of multimodal reasoning problems. The original dataset can be found on the Hugging Face Hub: TIGER-Lab/ViRL39K.

Training Procedure

The model was trained using our Visually-Perceptive Policy Optimization (VPPO) algorithm, which is a modification of the Group Relative Policy Optimization (GRPO) framework. The procedure involves generating responses, calculating token-level visual dependency, and using this dependency to shape the advantage and filter gradients during the policy update step.

Training Hyperparameters

  • Base Model: Qwen2.5-VL-7B-Instruct
  • Algorithm: VPPO
  • Epochs: 2
  • Learning Rate: 1e-6
  • Rollout Batch Size: 384
  • Max Response Length: 2048
  • Entropy Penalty Coefficient: 0.06
  • Gradient Filtering Ratio (k): 0.4
  • Advantage Shaping Min (β_min): 0.9
  • Training Regime: bf16 mixed precision

Evaluation

Testing Data, Factors & Metrics

Testing Data

The model was evaluated on a comprehensive suite of 8 diverse multimodal reasoning benchmarks:

  • Math & Geometry: Geo3k, We-Math, MathVerse, MathVision, DynaMath, MMK12
  • Logic: LogicVista
  • Multi-discipline: MMMU-Pro

Metrics

Performance is measured by average accuracy@8, which is the average success rate over 8 independent generations per problem (at temperature=1.0) using exact-match scoring.

Citation

If you use this model in your work, please cite our paper:

BibTeX:

@article{huang2025spotlight,
  title={Spotlight on Token Perception for Multimodal Reinforcement Learning},
  author={Huang, Siyuan and Qu, Xiaoye and Li, Yafu and Luo, Yun and He, Zefeng and Liu, Daizong and Cheng, Yu},
  journal={arXiv preprint arXiv:2510.09285},
  year={2025}
}

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
ccbdf0a

0 моделей