/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Архитектура
qwen3_vl · dense
Опубликована
30 июн 2026

PixelEyes-4B

Изображение и текст → текст3 профессии

PixelEyes-4B — визуальный диалоговый агент на базе Qwen3-VL для многошагового поиска точных визуальных свидетельств и рассуждения по изображениям.

17скачиваний за 30 дней3лайкавеса обновлены3 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

PixelEyes-4B — мультимодальная модель визуального рассуждения из семейства Qwen3-VL, представленная как агент для многошагового поиска визуальных свидетельств. Она разделяет рассуждение и детальную локализацию: специализированный компонент восприятия помогает находить нужные области изображения, чтобы агент мог точнее отвечать на вопросы с опорой на визуальные данные. Репозиторий содержит веса модели; дополнительные сведения об обучении и оценке представлены в статье и связанном GitHub-репозитории.

Модель предназначена для диалоговых сценариев, где требуется последовательно искать мелкие или точные визуальные детали и использовать их в рассуждении. Метаданные указывают архитектуру Qwen3VLForConditionalGeneration, плотный тип модели, формат safetensors и возможности чата и обработки изображений. Лицензия, размер параметров и длина контекста в предоставленных источниках не указаны.

Сценарии применения

  • поиск конкретных объектов или деталей на изображении
  • ответы на вопросы по визуальным свидетельствам
  • многошаговое рассуждение по изображению
  • уточнение расположения мелких визуальных элементов

Ограничения

Карточка не сообщает результаты оценки качества, лицензию, размер параметров или длину контекста; для подробностей обучения и оценки требуется обратиться к статье и связанному GitHub-репозиторию.

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

PixelEyes enhances active visual search in MLLMs by delegating fine-grained localization to a specialized perception tool, thereby achieving efficient and accurate multi-turn visual reasoning.


This repository contains the weights for PixelEyes, a multi-turn visual reasoning agent that explicitly decouples reasoning from perception, introduced in the paper PixelEyes: Decoupling Perception and Reasoning for Pinpoint Visual Evidence Seeking.

For more details on environment setup, training, and evaluation, please visit the GitHub repository.

Citation

If you find this project helpful in your research, please cite our paper:

@misc{gong2026pixeleyesdecouplingperceptionreasoning,
      title={PixelEyes: Decoupling Perception and Reasoning for Pinpoint Visual Evidence Seeking}, 
      author={Dengxian Gong and Yuanzheng Wu and Haobo Yuan and Zhengdong Hu and Tao Zhang and Yikang Zhou and Shihao Chen and Quanzhu Niu and Kai Wang and Jason Li and Haochen Wang and Lu Qi and Shunping Ji and Ming-Hsuan Yang},
      year={2026},
      eprint={2607.00115},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2607.00115}, 
}

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
5778957

0 моделей