/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
17,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_omni · dense
Базовая модель
OmniAgent-SFT-7B
Библиотека
transformers
Опубликована
10 июн 2026

OmniAgent-RL-7B

Компьютерное зрениеВидео, текст → текст3 профессии

Агентная мультимодальная модель на базе Qwen2.5-Omni-7B, которая активно выбирает кадры и аудио для ответов на вопросы о видео.

62скачиваний за 30 дней1лайквеса обновлены18 июн 2026

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

OmniAgent-RL-7B — агентная мультимодальная модель для понимания видео, разработанная авторами OmniAgent. Она построена на архитектуре Qwen2.5-Omni-7B и дообучена в два этапа: Agentic SFT, затем Agentic RL с TAURA. Модель использует цикл «наблюдение — мысль — действие»: по мере необходимости запрашивает кадры, аудио или видеоклипы, формирует текстовую память и отвечает на вопрос, когда собрала достаточно данных.

Модель предназначена для видеоаналитики, включая вопросы о содержании и временной последовательности событий, а также анализ аудиовизуальных роликов. В README сообщается о результатах на десяти бенчмарках и сокращении числа используемых кадров; фактическое качество зависит от задачи и среды запуска. Для активного восприятия её нужно запускать в OTA-среде из репозитория проекта: обычный вызов через Transformers не воспроизводит агентный цикл. Последовательные запросы к медиа увеличивают задержку вывода. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержании длинных видео
  • поиск событий и их временной последовательности в ролике
  • локализация событий во времени по видеозаписи
  • анализ аудиовизуальных сцен с выборочным прослушиванием аудио
  • сокращение числа анализируемых кадров при разборе видео

Ограничения

Для активного восприятия требуется OTA-среда проекта; обычный вызов через Transformers не воспроизводит агентный цикл. Последовательная работа цикла OTA увеличивает задержку вывода.

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

OmniAgent-RL-7B

OmniAgent-RL-7B is the final checkpoint of OmniAgent, the first native omni-modal agent for active perception in video understanding (ICML 2026). It is built on Qwen2.5-Omni-7B and trained in two stages — Agentic SFT, then Agentic RL with TAURA. This is the recommended checkpoint and reproduces the main results in the paper.

What it does

Instead of consuming every frame, OmniAgent runs an Observation–Thought–Action (OTA) loop: a single omni model decides what to look at (get_frames), listen to (get_audio), or watch (get_clip) on demand, distills each percept into a compact textual memory, and answers when it has enough evidence. The environment only returns raw media — all perception and reasoning are done by this model.

How to use

⚠️ This is an agent checkpoint. The weights follow the Qwen2.5-Omni-7B architecture, but to reproduce OmniAgent's active perception you must run it inside the OTA environment in the GitHub repo, not via a plain transformers call.

# After setup (see the repo README):
bash demo/launch_inference.sh checkpoints/OmniAgent-RL-7B assets/example_video_mcq.mp4

Model size & components

OmniAgent uses only the Qwen2.5-Omni thinker for agent reasoning; the talker (audio generation) is never used, and only the thinker is loaded and used during training and inference. The text-to-audio tag is auto-derived from the Qwen2.5-Omni architecture in config.json and does not reflect how OmniAgent is used.

Which checkpoint should I use?

  • OmniAgent-RL-7B (this model) — best performance; use for inference, evaluation, and deployment.
  • OmniAgent-SFT-7B — the cold-start checkpoint; use it to re-run Agentic RL yourself or to study the SFT-only stage.

Results (highlights)

  • Open-source SoTA across 10 video / audio-visual / temporal-grounding benchmarks.
  • On LVBench, this 7B agent outperforms the 10× larger Qwen2.5-VL-72B (50.5 vs. 47.3) with ~73% fewer frames.
  • Large temporal-grounding gains over the Qwen2.5-Omni-7B base (+33 IoU on LongVALE and VUE-TR).

See the paper for the full tables.

Limitations

The sequential OTA loop adds inference latency compared to a single forward pass; reducing this via parallel exploration is left to future work.

Citation

@inproceedings{xing2026omniagent,
  title={Native Active Perception as Reasoning for Omni-Modal Understanding},
  author={Zhenghao Xing and Ruiyang Xu and Yuxuan Wang and Jinzheng He and Ziyang Ma and Qize Yang and Yunfei Chu and Jin Xu and Junyang Lin and Chi-Wing Fu and Pheng-Ann Heng},
  booktitle={International Conference on Machine Learning (ICML)},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры qwen2_5_omni нет загрузчика под задачу vision.

Класс архитектуры
Qwen2_5OmniForConditionalGeneration
Ревизия весов
1ef8b89

0 моделей