/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Опубликована
18 июл 2026

MultiHopSpatial-Qwen3-VL-8B-Instruct

Изображение и текст → текст

Мультимодальная модель на базе Qwen3-VL, дообученная для многошагового пространственного рассуждения по изображениям.

16скачиваний за 30 дней1лайквеса обновлены18 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

MultiHopSpatial-Qwen3-VL-8B-Instruct — мультимодальная модель etri-vilab для многошагового пространственного рассуждения по изображениям. Она создана на базе Qwen3-VL-8B-Instruct и дообучена методом GRPO на MultihopSpatial-Train. Архитектура — Qwen3VLForConditionalGeneration; модель содержит 8 млрд параметров и принимает изображения и текстовые запросы, выдавая текстовые ответы.

Модель предназначена для диалогового анализа изображений, где ответ требует связать несколько пространственных наблюдений или шагов рассуждения. Она распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или ограничения применимости.

Сценарии применения

  • Ответы на вопросы о пространственных отношениях между объектами на изображении
  • Многошаговое визуальное рассуждение по сцене
  • Диалоговый анализ изображений с пространственными вопросами

Ограничения

Карточка не приводит результатов сравнительной оценки качества или сведений об ограничениях; предназначение модели описано для пространственного рассуждения по изображениям.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[ECCV 2026] MultiHopSpatial-Qwen3-VL-8B-Instruct

This model is Qwen3-VL-8B-Instruct post-trained on MultihopSpatial-Train using GRPO (Group Relative Policy Optimization) for multi-hop spatial reasoning.

Model Zoo

ModelParamsHF Link
MultiHopSpatial-Qwen3-VL-4B-Instruct4B🤗 etri-vilab/MultiHopSpatial-Qwen3-VL-4B-Instruct
MultiHopSpatial-Qwen3-VL-8B-Instruct8B🤗 etri-vilab/MultiHopSpatial-Qwen3-VL-8B-Instruct
MultiHopSpatial-Qwen3-VL-32B-Instruct32B🤗 etri-vilab/MultiHopSpatial-Qwen3-VL-32B-Instruct

Model Details

Base ModelQwen3-VL-8B-Instruct
ArchitectureQwen3VLForConditionalGeneration
Training MethodGRPO (Group Relative Policy Optimization)
Training DataMultihopSpatial-Train (6,791 samples)
Precisionbfloat16

Results

Usage

This model shares the same architecture and usage as Qwen3-VL-8B-Instruct. Please refer to the official Qwen3-VL documentation for detailed usage instructions.

Quick Start

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "etri-vilab/MultiHopSpatial-Qwen3-VL-8B-Instruct",
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("etri-vilab/MultiHopSpatial-Qwen3-VL-8B-Instruct")

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "your_image.jpg"},
            {"type": "text", "text": "From the perspective of the person wearing a red shirt, which object is on their left? (a) chair (b) table (c) lamp (d) bookshelf. And provide the bounding box coordinate of the region related to your answer."},
        ],
    }
]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
).to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=2048)
output_text = processor.batch_decode(
    generated_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=True
)
print(output_text[0])

Citation

@inproceedings{lee2026multihopspatial,
  title={MultihopSpatial: Multi-hop Compositional Spatial Reasoning Benchmark for Vision-Language Models},
  author={Lee, Youngwan and Jang, Soojin and Cho, Yoorhim and Lee, Seunghwan and Lee, Yong-Ju and Hwang, Sung Ju},
  booktitle={European Conference on Computer Vision (ECCV)},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
e5af415

0 моделей