/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
15 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
29 сен 2025

SpatialLadder-3B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL-3B-Instruct для анализа изображений и решения задач пространственного понимания и рассуждений.

456скачиваний за 30 дней2лайкавеса обновлены30 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

SpatialLadder-3B — мультимодальная модель для пространственных рассуждений, разработанная авторами работы SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models. Она основана на Qwen2.5-VL-3B-Instruct и содержит 3,1 млрд параметров; архитектура — плотная Qwen2.5-VL с поддержкой диалога и анализа изображений. Модель обучена в три этапа: локализация объектов для визуального связывания, выполнение многомерных пространственных задач и оптимизация рассуждений для сложных пространственных сценариев.

Модель предназначена для анализа изображений с вопросами и ответами на естественном языке, включая локализацию объектов и решение задач на пространственные отношения и понимание сцены. Заявлены сильные результаты и обобщение на нескольких бенчмарках пространственных рассуждений. Контекстное окно составляет 128 000 токенов. Репозиторий распространяет веса в формате Safetensors по лицензии Apache-2.0; карточка не приводит конкретных ограничений качества или перечня поддерживаемых языков.

Сценарии применения

  • ответы на вопросы о пространственных отношениях на изображении
  • локализация объектов по визуальному запросу
  • анализ расположения объектов и структуры сцены
  • решение многошаговых задач пространственного рассуждения

Ограничения

README не уточняет поддерживаемые языки и не приводит подробных ограничений модели; заявленные результаты относятся к пространственным бенчмаркам.

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

SpatialLadder-3B

This repository contains the SpatialLadder-3B, introduced in SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models.

Model Description

SpatialLadder-3B is a 3B-parameter multimodal model for spatial reasoning, built on top of Qwen-2.5-VL-3B. It is trained with a progressive three-stage approach: object localization for perceptual grounding, multi-dimensional spatial tasks for spatial understanding, and policy-optimized complex reasoning for advanced spatial intelligence. SpatialLadder-3B achieves strong performance and generalization across multiple spatial benchmarks, demonstrating robust hierarchical spatial reasoning capabilities.

Usage

First, install the required dependencies:

pip install transformers==4.49.0 qwen-vl-utils 
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
     "hongxingli/SpatialLadder-3B",
     torch_dtype=torch.bfloat16,
     attn_implementation="flash_attention_2",
     device_map="auto")
     
processor = AutoProcessor.from_pretrained("hongxingli/SpatialLadder-3B")
image_path = ''
instruction = ''

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "image_path",
            },
            {"type": "text", "text": instruction},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Training

The training code and usage guidelines are available in our GitHub repository. For comprehensive details, please refer to our paper and the repository documentation.

Citation

@misc{li2025spatialladderprogressivetrainingspatial,
      title={SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models}, 
      author={Hongxing Li and Dingming Li and Zixuan Wang and Yuchen Yan and Hang Wu and Wenqi Zhang and Yongliang Shen and Weiming Lu and Jun Xiao and Yueting Zhuang},
      year={2025},
      eprint={2510.08531},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.08531}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
0819c3a

0 моделей