/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
16 дек 2025

TWIN-Qwen2.5-VL-3B

Изображение и текст → текст4 профессии

Мультимодальная модель, дообученная на TWIN для диалогового анализа изображений и распознавания тонких визуальных различий.

148скачиваний за 30 дней2лайкавеса обновлены30 дек 2025

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

TWIN-Qwen2.5-VL-3B — мультимодальная модель glab-caltech, полученная дополнительным обучением Qwen/Qwen2.5-VL-3B-Instruct на наборе данных TWIN. Она предназначена для диалогового анализа изображений, визуальных рассуждений и распознавания тонких различий между объектами или сценами. Модель использует плотную архитектуру Qwen2.5-VLForConditionalGeneration, содержит 3,1 млрд параметров и принимает изображения и текстовые запросы, выдавая ответы на естественном языке. Максимальная длина контекста — 128 000 токенов; в метаданных указан английский язык.

Модель подходит для вопросов по изображениям и задач fine-grained recognition, где требуется определить, являются ли визуальные объекты одинаковыми или различными. Веса опубликованы в формате safetensors и доступны через Transformers. Лицензия обозначена как other; конкретные условия следует сверить с карточкой репозитория.

Сценарии применения

  • ответы на вопросы по изображениям
  • сравнение объектов на изображении
  • определение, одинаковы ли два визуальных объекта
  • распознавание тонких различий между объектами
  • визуальные рассуждения на английском языке

Ограничения

Дообучение ориентировано на визуальное восприятие и задачи набора TWIN, поэтому качество на других типах запросов отдельно не подтверждено. Метаданные указывают лицензию «other», а README не приводит подробных условий использования.

Для каких профессий подходит4

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

Model Card for TWIN-Qwen2.5-VL-3B

This is the Qwen2.5-VL-3B-Instruct model post-trained on the TWIN dataset from the paper: Same or Not? Enhancing Visual Perception in Vision-Language Models

For further information please refer to the project webpage, paper, and repository.

Citation

If you use TWIN in your research, please consider citing our work:

BibTeX:

@misc{marsili2025notenhancingvisualperception,
      title={Same or Not? Enhancing Visual Perception in Vision-Language Models}, 
      author={Damiano Marsili and Aditya Mehta and Ryan Y. Lin and Georgia Gkioxari},
      year={2025},
      eprint={2512.23592},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.23592}, 
}

License

The dataset is derived from the UCSD Amazon Reviews’23 dataset. Use is permitted for research and educational purposes only. By using this dataset, you agree to respect the rights of original content owners and comply with applicable terms of service.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
c0173c4

0 моделей