/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Архитектура
qwen3_vl · dense
Библиотека
transformers
Опубликована
27 июл 2026

Qwen3-VL-4B-ArrowRL

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная методом ArrowRL видеоязыковая модель Qwen3-VL-4B для ответов на вопросы о движении и последовательности событий в видео.

23скачиваний за 30 дней0лайковвеса обновлены27 июл 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

Qwen3-VL-4B-ArrowRL — видеоязыковая модель на базе Qwen3-VL-4B, дообученная методом ArrowRL. Чекпойнт выпущен как базовый вариант для исследования CRPO о восприятии пространственно-временной динамики в видео с помощью контрфактического обучения с подкреплением.

Модель предназначена для ответов на вопросы о видео с учётом изменений во времени, например направления движения, обратимой динамики и последовательности событий. Её оценивали на DyBench, а также на наборах Video-MME, TempCompass, MVBench и TimeBlind. В репозитории указаны веса в формате safetensors и библиотека Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы о направлении движения объектов в видео
  • определение порядка событий в видеоролике
  • анализ изменений и динамики между кадрами
  • оценка понимания временных зависимостей в видео

Ограничения

Чекпойнт представлен как исследовательский базовый вариант, а README не приводит численные результаты оценки. Лицензия не указана в предоставленных данных.

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

Qwen3-VL-4B-ArrowRL: ArrowRL baseline

This repository contains the Qwen3-VL-4B weights fine-tuned with ArrowRL, released as a baseline for the paper Learning Spatiotemporal Sensitivity in Video LLMs via Counterfactual Reinforcement Learning.

Overview

This checkpoint is fine-tuned on top of Qwen3-VL with ArrowRL, one of the RL baselines compared in the CRPO paper.

Video large language models (Video LLMs) often answer video questions through shortcuts such as single-frame cues and language priors rather than by tracking spatiotemporal dynamics. The CRPO paper studies this problem and compares against multiple RL baselines, of which this checkpoint is one.

Resources

Evaluation

The model is evaluated on DyBench, a paired counterfactual video benchmark with 3,014 videos covering reversible dynamics, moving direction, and event sequence, together with standard video-QA benchmarks (Video-MME, TempCompass, MVBench, TimeBlind). See the paper for full numbers and comparison with CRPO.

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
3ea01d4

0 моделей