/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Архитектура
qwen3_vl · dense
Библиотека
transformers
Опубликована
27 июл 2026

Qwen3-VL-8B-ArrowRL

Компьютерное зрениеВидео, текст → текст3 профессии

Видеоязыковая модель Qwen3-VL-8B, дообученная ArrowRL для ответов на вопросы о движении и последовательности событий в видео.

14скачиваний 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

ddz16/Qwen3-VL-8B-ArrowRL — видеоязыковая модель на архитектуре Qwen3-VL, дообученная методом ArrowRL. Это базовая модель для сравнения в исследовании Learning Spatiotemporal Sensitivity in Video LLMs via Counterfactual Reinforcement Learning; репозиторий содержит веса в формате safetensors для Transformers.

Модель предназначена для ответов на вопросы о видео с учётом пространственно-временной динамики: направления движения, обратимых изменений и последовательности событий. Её оценивали на DyBench, а также на наборах Video-MME, TempCompass, MVBench и TimeBlind. Карточка не сообщает лицензию, число параметров и длину контекста, поэтому эти характеристики не включены.

Сценарии применения

  • Ответы на вопросы о направлении движения объектов в видео
  • Определение порядка событий в видеоклипе
  • Анализ обратимых изменений и динамики сцены
  • Оценка понимания видео на бенчмарках video QA

Ограничения

Модель представлена как исследовательский baseline; README не приводит численные результаты, поэтому качество относительно других моделей по нему оценить 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-8B-ArrowRL: ArrowRL baseline

This repository contains the Qwen3-VL-8B 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
c031f12

0 моделей