/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
17 мар 2026

V-Reflection

Вопросы по изображениюИзображение, текст → текст3 профессии

V-Reflection — дообученная мультимодальная модель Qwen для ответов на вопросы по изображениям с пошаговым латентным визуальным рассуждением.

18скачиваний за 30 дней6лайковвеса обновлены7 апр 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

V-Reflection (7B) — мультимодальная модель для визуальных вопросов и рассуждений, разработанная на основе Qwen2.5-VL-7B-Instruct. Она использует механизм visual reflection: перед ответом модель выполняет по умолчанию восемь шагов латентного визуального рассуждения. Обучение включало Box-Guided Compression и Dynamic Autoregressive Compression для исследования изображения через визуальные признаки.

Модель предназначена для анализа изображений, визуальных вопросов, высокодетального понимания сцен и экспериментов с латентным мультимодальным рассуждением. В репозитории находятся веса Safetensors и аннотации для обучения на смесях SROIE и DUDE. Заявлены результаты на бенчмарках MMVP, BLINK и V*. Размер модели — 7,1 млрд параметров, контекст — до 128 000 токенов. Для корректной загрузки и работы механизма рассуждения нужны официальный код и класс QwenWithLVR; модель не предназначена для непосредственной установки в обычный чат-интерфейс без них. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображений
  • анализ высокодетальных изображений
  • визуальные рассуждения по сценам и объектам
  • исследования латентного мультимодального рассуждения
  • оценка моделей на визуальных бенчмарках

Ограничения

Для корректной загрузки и латентного рассуждения требуется официальный код проекта и класс QwenWithLVR. Безопасность и качество для неограниченного производственного применения не проверялись; возможны смещения базовой модели и обучающих данных.

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

V-Reflection (7B)

V-Reflection is a Qwen2.5-VL-based multimodal model that turns the MLLM into an active interrogator via a think-then-look visual reflection mechanism: fixed-length latent visual reasoning before answering.

ResourceLink
Paperarxiv.org/abs/2604.03307
Project pageidea-research.github.io/V-Reflection
Code & scriptsgithub.com/IDEA-Research/V-Reflection

Model summary

  • Architecture: Built on Qwen2.5-VL-7B-Instruct with Box-Guided Compression (BCM) and Dynamic Autoregressive Compression (DAC) for latent visual probing.
  • Stage 1 (BCM): Box-guided compression produces stable pixel-to-latent targets; stochastic decoupled alignment trains the resampler and LLM jointly.
  • Stage 2 (DAC): Student maps LLM hidden states into dynamic probes over the global visual map, with MSE distillation from a frozen BCM teacher.
  • Inference: BCM/DAC are inactive at inference; decoding is end-to-end autoregressive in latent space (8-step latent reasoning by default).

Repository contents

This Hub repo includes model weights (sharded Safetensors) and pre-formatted LVR training annotations used in the paper project:

File(s)Role
*.safetensors, config.json, tokenizer assetsFine-tuned V-Reflection checkpoint
meta_data_lvr_sft_stage1.jsonMeta config for default SROIE + DUDE mix
viscot_sroie_dude_lvr_formatted.jsonSROIE + DUDE subset
viscot_363k_lvr_formatted.jsonFull Visual CoT–style 363K split

Download images for Visual CoT / listed datasets from their official sources (see the code repo data section).

Intended use

  • Research on visual reasoning, high-resolution understanding, and latent multimodal reasoning.
  • Not a drop-in replacement for stock Qwen2.5-VL in generic chat UIs without the official custom model class and generation path.

How to run

Loading and evaluation rely on the QwenWithLVR implementation and scripts in the GitHub repository (training, packing, and benchmarks are documented there).

  1. Clone IDEA-Research/V-Reflection and follow README.md (environment, data layout).
  2. Download this checkpoint into a local directory (or rely on hf_hub_download from their evaluation scripts).
  3. Point EVAL_CHECKPOINT_PATH (or the training script checkpoint args) to the unpacked folder.

Example evaluation entrypoint (from upstream docs):

bash scripts_release/evaluation/evaluation_7b_stage2.sh

Results (reported in project materials)

BenchmarkV-ReflectionQwen2.5-VL-7B
MMVP72.366.7
BLINK56.454.5
V*81.778.5
HRBench-4K72.668.0
HRBench-8K66.363.8
MME-RealWorld-Lite53.945.8

Limitations

  • Requires the official codebase for correct loading and latent reasoning behavior.
  • Performance and safety have not been audited for unrestricted production deployment; use judgment for real-world products.
  • Biases may mirror base model and training data distributions.

License

Apache-2.0 (same as the codebase). See the license file in the GitHub repository.

Acknowledgements

Qwen2.5-VL, LVR, Visual-CoT, InternVL.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
QwenWithLVR
Ревизия весов
8c06651

0 моделей