/ Модель

Характеристики

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

Qwen3-VL-8B-GRPO

Компьютерное зрениеВидео, текст → текст3 профессии

Видеоязыковая модель Qwen3-VL на 8 млрд параметров, дообученная GRPO для ответов на вопросы о событиях и динамике 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

Qwen3-VL-8B-GRPO — видеоязыковая модель семейства Qwen3-VL, разработанная как базовый вариант для исследовательской работы о пространственно-временном понимании видео. Это модель с плотной архитектурой и 8 млрд параметров, дообученная методом Group Relative Policy Optimization (GRPO) для ответов на вопросы о видео. Она предназначена для проверки того, насколько модель отслеживает динамику событий, направление движения и последовательность действий, а не опирается только на отдельные кадры или языковые подсказки.

Модель принимает видео и текстовые вопросы и генерирует текстовые ответы. В README описана оценка на DyBench, Video-MME, TempCompass, MVBench и TimeBlind. Контрольная точка представлена как RL-базовый вариант для сравнения с CRPO в рамках исследования; сведений о лицензии и поддерживаемых естественных языках в предоставленных данных нет.

Сценарии применения

  • ответы на вопросы о содержании видео
  • определение направления движения объектов в видео
  • анализ последовательности событий в видео
  • сравнение понимания динамики в контрфактических видеопарах
  • оценка видеоязыковых моделей на бенчмарках

Ограничения

Модель опубликована как исследовательский базовый вариант для сравнения; результаты оценки и подробности качества в предоставленном README не приведены. Поддерживаемые языки и условия лицензии по имеющимся 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-8B-GRPO: GRPO baseline

This repository contains the Qwen3-VL-8B weights fine-tuned with GRPO, released as a baseline for the paper Learning Spatiotemporal Sensitivity in Video LLMs via Counterfactual Reinforcement Learning.

Overview

This checkpoint is a Group Relative Policy Optimization (GRPO) baseline fine-tuned on top of Qwen3-VL for video question answering, released as a reference RL baseline for 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
8e745e9

0 моделей