/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Опубликована
24 июн 2026

VLESA-Qwen3-VL-2B-Safety-Filter

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель Qwen3-VL для определения безопасности действий человека по кадрам эгоцентрического видео с текстовым обоснованием.

18скачиваний за 30 дней0лайковвеса обновлены24 июн 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

VLESA-Qwen3-VL-2B-Safety-Filter — модель Hanjiang Hu и соавторов, созданная для проекта VLESA по мониторингу безопасности действий человека. Это дообученная методом GRPO мультимодальная модель Qwen3-VL-2B с архитектурой Qwen3VLForConditionalGeneration; веса представлены в формате safetensors, лицензия — Apache-2.0.

Модель анализирует кадры эгоцентрического видео, соответствующие моментам до действия, точке невозврата и после действия, классифицирует действие как безопасное или небезопасное и формулирует объяснение на естественном языке. Она предназначена для фильтрации действий и мониторинга человеческой активности в составе конвейера VLESA.

Модель принимает визуальные данные и текстовый запрос, а выдаёт текстовую метку с обоснованием. Карточка указывает английский язык. Это специализированный контрольный пункт для оценки безопасности действий; классификация может ошибаться, поэтому результаты не следует считать гарантией безопасности.

Сценарии применения

  • оценка безопасности действия по кадрам до и после его выполнения
  • мониторинг человеческой активности в эгоцентрическом видео
  • выявление потенциально опасных действий
  • получение текстового объяснения классификации безопасно или небезопасно

Ограничения

Модель предназначена для специализированной фильтрации действий и может ошибочно классифицировать безопасность; приведённое текстовое обоснование не гарантирует корректность оценки. В карточке описан анализ кадров видео, а не обработка видеопотока как отдельной входной модальности.

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

VLESA Safety Filter — Qwen3-VL-2B (GRPO fine-tuned)

This is the VLESA safety filter checkpoint from the paper:

VLESA: Vision-Language Embodied Safety Agent for Human Activity Monitoring
Hanjiang Hu, Yiyuan Pan, Jiaxing Li, Xusheng Luo, Alexander Robey, Na Li, Yebin Wang, Changliu Liu
arXiv:2606.03954 | GitHub

Model Description

This model is a Qwen3-VL-2B checkpoint fine-tuned via Group Relative Policy Optimization (GRPO) on the EgoSafety dataset. It serves as the safety filter component of the VLESA pipeline: given egocentric video frames (pre-action, point-of-no-return, and post-action), it predicts whether a human action is safe or unsafe and provides a natural-language rationale.

Training Details

  • Base model: Qwen3-VL-2B-Instruct
  • Training method: GRPO (Group Relative Policy Optimization) via EasyR1
  • Training data: EgoSafety — 9,596 train / 1,202 validation / 1,183 test samples derived from Ego4D
  • Checkpoint: global_step_148

Usage

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "hanjianghu/VLESA-Qwen3-VL-2B-Safety-Filter",
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("hanjianghu/VLESA-Qwen3-VL-2B-Safety-Filter")

For full pipeline usage with the VLESA agent, see the GitHub repository.

Citation

@article{hu2026vlesa,
  title={VLESA: Vision-Language Embodied Safety Agent for Human Activity Monitoring},
  author={Hu, Hanjiang and Pan, Yiyuan and Li, Jiaxing and Luo, Xusheng and Robey, Alexander and Li, Na and Wang, Yebin and Liu, Changliu},
  journal={arXiv preprint arXiv:2606.03954},
  year={2026}
}

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
cf58b56

0 моделей