/ Модель

Характеристики

Контекст
12 288 токенов
Лицензия
MIT
Архитектура
internvl_chat · dense
Базовая модель
InternViT-300M-v2.5
Библиотека
transformers
Опубликована
23 июн 2025

QTuneVL1_5-2B

Генерация текстаТекст → текст10 профессий

QTuneVL1.5-2B — компактная мультимодальная модель Reconova AI Lab для диалога, ответов на вопросы и анализа изображений.

59скачиваний за 30 дней0лайковвеса обновлены6 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

QTuneVL1.5-2B — компактная мультимодальная языковая модель Reconova AI Lab для диалога с изображениями и анализа визуального содержимого. Модель использует архитектуру InternVLChat и объединяет компоненты Qwen2.5-1.5B и InternViT-300M-v2.5; в README также описана настройка на InternVL3-2B и стратегии обрезки и дополнения изображений, применяемые в Mini-Monkey, UReader и InternVL.

Модель предназначена для ответов на вопросы по изображениям, визуальных рассуждений и распознавания текста на изображениях. В README приведено сравнение с предшественником QTuneVL1-2B по восьми тестам, включая OCRBench, MMStar и MMMU, с оговоркой, что конфигурация оценщика GPT в VLMEvalKit может отличаться от официальной. Репозиторий использует Transformers и формат safetensors; лицензия — MIT.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • распознавание текста и извлечение сведений из изображений
  • визуальные рассуждения по диаграммам и схемам
  • описание и интерпретация изображений в диалоге

Ограничения

README отмечает, что результаты бенчмарков могут отличаться от официальных из-за используемых в VLMEvalKit версий GPT-оценщиков. Данные о поддерживаемых естественных языках не приведены.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

QTuneVL1.5-2B developed by the Reconova AI Lab && BDAA-Lab

Introduction

We’re excited to introduce QTuneVL1.5-2B, the latest in Reconova AI Lab’s series of multimodal large language models. Building on QTuneVL1-2B, it incorporates key features from both InternVL and Mini-Monkey to deliver even greater performance.

Like QTuneVL1-2B, QTuneVL1.5-2B is a lightweight MLLM that incorporates cropping and padding strategies from Mini-Monkey/Ureader/InternVL, and has been fine-tuned on InternVL3-2B.

Evaluation

By evaluating our model on eight benchmarks in the OpenCompass leaderboard using VLMEvalKit, we found that it outperformed its predecessor(QTuneVL1-2B) in terms of average scores, particularly on MMStar MMMU_DEV_VAL and OCRBench benchmarks. The eight benchmarks and specific experimental results are as follows:

Eight benchmark: 'MMBench_DEV_EN_V11', 'MMStar', 'MMMU_DEV_VAL', 'MathVista_MINI', 'HallusionBench', 'AI2D_TEST', 'OCRBench', 'MMVet'.

IndexModelAVGMMBench_DEV_EN_V11MMStarMMMU_DEV_VALMathVista_MINIHallusionBenchAI2D_TESTOCRBenchMMVet
1Minimonkey54.371.450.335.646.338.674.880237.2
2InternVL2-2B54.271.450.334.647.238.274.278339.8
3InternVL2_5-2B59.474.653.740.149.742.274.980259.5
4InternVL3-2B63.579.661.148.651.14278.483564.08
5QTuneVL1-2B59.774.953.941.548.843.075.280659.6
6QTuneVL1.5-2B64.2(+4.5)79.6(+4.7)61.4(+7.5)51.1(+9.6)51.8(+3)43.078.8(+3.6)858(+52)62.1(+2.5)

It is important to note that when using VLMEvalKit for evaluation, the GPT-related evaluation models being called differ slightly from the official ones. In the code (vlmeval/dataset/utils/judge_util.py), it uses:

  • 'gpt-4o-mini': 'gpt-4o-mini' instead of 'gpt-4o-mini': 'gpt-4o-mini-2024-07-18'
  • 'gpt-4-turbo': 'gpt-4-turbo' instead of `'gpt-4-turbo': 'gpt-4-1106-preview'

This configuration will result in evaluation results that slightly differ from the official ones.

Copyright

We welcome suggestions to help us improve the QTuneVL. For any query, please contact HanChao Wang: wanghanchao@reconova.com. If you find something interesting, please also feel free to share with us through email or open an issue.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
InternVLChatModel
Ревизия весов
7a08d91

0 моделей