/ Модель

Характеристики

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

Qwen3-VL-4B-TGRPO

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная методом TGRPO модель Qwen3-VL-4B для ответов на вопросы о временной динамике и событиях в видео.

21скачиваний 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-TGRPO — исследовательский базовый чекпойнт ddz16, полученный дообучением Qwen3-VL-4B методом TGRPO (Temporal GRPO). Он предназначен для ответов на вопросы по видео с акцентом на отслеживание временной динамики и событий, а также для изучения того, насколько Video LLM опираются на последовательность кадров, а не на отдельные визуальные подсказки и языковые ожидания. Модель оценивали на DyBench и стандартных наборах видео-вопросов Video-MME, TempCompass, MVBench и TimeBlind.

В карточке указана архитектура Qwen3-VL для условной генерации; веса представлены в формате safetensors. Лицензия, размер контекста и поддерживаемые языки в доступных сведениях не приведены.

Сценарии применения

  • ответы на вопросы о последовательности событий в видео
  • определение направления движения объектов
  • анализ обратимой динамики в видеороликах
  • сравнение изменений между кадрами
  • исследовательская оценка временного понимания видео LLM

Ограничения

Оценка описана на ограниченном наборе бенчмарков, а доступная карточка не сообщает численные результаты. Поддерживаемые языки и условия лицензии по представленным данным установить нельзя.

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-TGRPO: TGRPO baseline

This repository contains the Qwen3-VL-4B weights fine-tuned with TGRPO, 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 TGRPO (Temporal GRPO), 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
5611551

0 моделей