/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
62,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl_moe · dense
Базовая модель
Qwen3-VL-30B-A3B-Instruct
Библиотека
transformers
Опубликована
6 июл 2026

teaching-an-agent-to-sketch-one-part-at-a-time

Изображение и текст → текст3 профессии

Мультимодальная Qwen3-VL, дообученная для последовательного построения эскизов по подписи и изображению холста с выдачей штрихов в виде кривых Безье.

41скачиваний за 30 дней1лайквеса обновлены6 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

Это финальный контрольный пункт агента для поэтапного создания эскизов, выпущенный авторами работы «Teaching an Agent to Sketch One Part at a Time». Модель дообучена на Qwen/Qwen3-VL-30B-A3B-Instruct с помощью SFT и многошагового GRPO с визуальной наградой DreamSim; в репозитории доступны объединённые веса bf16 для Transformers, vLLM и SGLang, а также исходный LoRA-адаптер. Архитектура — мультимодальная Qwen3-VL MoE; базовая модель имеет около 30 млрд параметров и контекст до 256 тыс. токенов, хотя для инференса авторы рекомендуют ограничивать контекст примерно 24 тыс. токенов с учётом памяти GPU.

На каждом шаге модель получает подпись и изображение текущего холста, затем выдаёт штрихи следующей части рисунка в виде кубических кривых Безье. Она предназначена для последовательного построения эскиза и исследовательского воспроизведения описанного в статье подхода. Репозиторий распространяется по лицензии Apache-2.0. Объединённая версия является рекомендуемым вариантом: сырой адаптер нельзя напрямую загрузить через PEFT, а стандартная подача LoRA через vLLM или SGLang применяет лишь малую часть обновлений и даёт некорректные результаты.

Сценарии применения

  • создание эскиза по частям с пошаговым продолжением рисунка
  • генерация штрихов следующей части по подписи и текущему холсту
  • воспроизведение эксперимента по обучению агента рисованию с визуальной наградой

Ограничения

Для работы с полным контекстом базовой модели требуется значительная видеопамять; авторы рекомендуют ограничивать контекст примерно 24 тыс. токенов на GPU объёмом 96 ГБ. Исходный LoRA-адаптер не загружается напрямую через PEFT, а стандартная подача адаптера в vLLM или SGLang даёт некорректные результаты; используйте объединённый чекпойнт.

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

Teaching an Agent to Sketch One Part at a Time

Model release for the paper Teaching an Agent to Sketch One Part at a Time.

The agent draws a sketch one part at a time: at each step it is shown the caption and an image of the canvas so far, and it emits the next part's strokes as cubic-Bézier paths. This is the paper's final RL checkpoint (multi-turn GRPO with a DreamSim visual reward, RL step 1000, initialized from SFT step 5400), fine-tuned from Qwen/Qwen3-VL-30B-A3B-Instruct.

What's in this repo

PathContents
repo rootFull merged checkpoint (recommended): bf16 safetensors in exactly the base model's layout, directly loadable by transformers and servable by vLLM / SGLang with no LoRA flags.
adapter/The raw LoRA adapter as exported from Tinker. Not loadable with PeftModel.from_pretrained as-is — see the adapter section before using it.

Using the merged model (recommended)

The merged checkpoint is a drop-in Qwen3-VL-30B-A3B model — anything that runs the base model runs this repo the same way.

transformers

from transformers import AutoModelForImageTextToText, AutoProcessor

REPO = "duxiaodan/teaching-an-agent-to-sketch-one-part-at-a-time"
model = AutoModelForImageTextToText.from_pretrained(REPO, dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(REPO)

vLLM

vllm serve duxiaodan/teaching-an-agent-to-sketch-one-part-at-a-time \
  --max-model-len 24576

SGLang

python -m sglang.launch_server \
  --model-path duxiaodan/teaching-an-agent-to-sketch-one-part-at-a-time \
  --mem-fraction-static 0.85

(Unrelated to this checkpoint: SGLang 0.5.9 on torch 2.9.1 needs SGLANG_DISABLE_CUDNN_CHECK=1 to start.)

Hardware sizing. The weights are ~58 GB of bf16 (30B-A3B MoE). All three stacks above were validated on a single 96 GB GPU (NVIDIA RTX PRO 6000 Blackwell). On GPUs of that size, cap the context (e.g. --max-model-len 24576 for vLLM) — the base model's default 256K context does not leave room for the KV cache. Sketch rollouts are short, so a ~24K context is more than enough.

All three stacks produced clean, near-identical sketches from this checkpoint in our validation (full 32-path rollouts with negligible off-canvas strokes).

Merged model vs. base + adapter

The merged checkpoint is functionally equivalent but not token-identical to applying the adapter on top of the base model in PEFT: merging LoRA deltas into bf16 weights introduces rounding at the merge, and the MoE router is sensitive to tiny logit perturbations, so long greedy generations can diverge after some tokens (first-step argmax is identical, and generated sketches are qualitatively the same). For reproducing the paper's behavior, the merged checkpoint at the repo root is the reference release.

The raw adapter (adapter/)

adapter/adapter_config.json + adapter/adapter_model.safetensors (LoRA r=64, lora_alpha=32, target_modules="all-linear" — attention, lm_head, and the MoE expert projections).

Honest caveats — read before using:

  • Not PEFT-loadable as-is. The safetensors uses Tinker-internal tensor naming. The attention and lm_head entries can be renamed to standard PEFT keys, but the MoE expert deltas are stored as fused 3D tensors (all experts stacked), which PEFT cannot wrap at all — they can only be merged into the base weights. That merge is exactly what the checkpoint at the repo root is.
  • vLLM / SGLang --enable-lora will not work correctly. Current LoRA serving paths (tested with vLLM 0.24 and SGLang 0.5.9) can apply only the attention subset of this adapter — roughly 0.4% of the fine-tune's total weight delta — and the resulting outputs are near-base-model garbage. Serve the merged model instead (no LoRA flags needed).

The adapter is published for provenance and for users who want to do their own merging or analysis of the weight deltas.

Training provenance

  • Base model: Qwen/Qwen3-VL-30B-A3B-Instruct
  • SFT: LoRA rank 64 on part-by-part sketch continuation data; the released checkpoint's RL run started from SFT step 5400.
  • RL: multi-turn GRPO with dense step-wise advantages and a DreamSim visual reward; this is the checkpoint at RL step 1000.
  • Trained with Tinker. Note that Tinker has since deprecated Qwen/Qwen3-VL-30B-A3B-Instruct (its replacement there is Qwen/Qwen3.6-35B-A3B); this affects re-training on Tinker only — local inference with this repo is unaffected.

Related resources

License

Apache 2.0, following the base model.

Citation

@article{du2026sketch,
  title   = {Teaching an Agent to Sketch One Part at a Time},
  author  = {Du, Xiaodan and Xu, Ruize and Yunis, David and Vinker, Yael and Shakhnarovich, Greg},
  journal = {arXiv preprint arXiv:2603.19500},
  year    = {2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLMoeForConditionalGeneration
Ревизия весов
2f79614

0 моделей