/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Архитектура
qwen3_vl · dense
Опубликована
30 июн 2026

PixelEyes-8B

Изображение и текст → текст4 профессии

PixelEyes-8B — диалоговая модель для поиска точных визуальных свидетельств и многошагового рассуждения по изображениям.

21скачиваний 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-8B — мультимодальная модель на архитектуре Qwen3-VL, представленная в работе «PixelEyes: Decoupling Perception and Reasoning for Pinpoint Visual Evidence Seeking». Она предназначена для диалогового анализа изображений и многошагового визуального рассуждения: модель помогает находить на изображении точные визуальные свидетельства, делегируя детальную локализацию специализированному инструменту восприятия.

Модель рассчитана на сценарии, где нужно последовательно исследовать изображение и обосновывать ответы конкретными визуальными деталями. Репозиторий содержит веса в формате safetensors. Лицензия, размер контекста и список поддерживаемых языков в предоставленных данных не указаны.

Сценарии применения

  • поиск конкретного объекта или детали на изображении
  • ответы на вопросы по содержимому изображения
  • многошаговое визуальное рассуждение
  • локализация визуальных свидетельств для обоснования ответа

Ограничения

Качество зависит от точности визуального восприятия и доступности специализированного инструмента локализации; сведения о лицензии и языковой поддержке в предоставленных материалах отсутствуют.

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

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 model checkpoint for PixelEyes, presented in the paper PixelEyes: Decoupling Perception and Reasoning for Pinpoint Visual Evidence Seeking.

Citation

If you find this work 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
213f29e

0 моделей