/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
15 сен 2025

SpatialThinker-3B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL для ответов на вопросы о пространственных отношениях и расположении объектов на изображениях.

100скачиваний за 30 дней0лайковвеса обновлены28 янв 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

SpatialThinker-3B — мультимодальная модель для пространственного анализа изображений, разработанная Хунаром Батрой и соавторами из Оксфордского университета и Калифорнийского университета в Санта-Крузе. Она дообучена методом GRPO на базе Qwen2.5-VL-3B-Instruct и использует пространственные награды, чтобы связывать объекты и отношения между ними со структурированным обоснованием ответа.

Модель принимает изображения и текстовые вопросы, строит ориентированный на вопрос подграф сцены с объектами, рамками и пространственными отношениями, затем отвечает на естественном языке. Она предназначена для девяти типов задач: отношений, достижимости, размера, ориентации, местоположения объектов, глубины, расстояния, подсчёта и определения наличия объектов. В README заявлено превосходство над GPT-4o на тестах пространственного понимания при обучении на 7 587 примерах STVQA-7K.

Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Карточка указывает английский язык; модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты на других задачах и языках README не описывает; заявленное сравнение с GPT-4o относится к пространственным бенчмаркам.

Сценарии применения

  • ответы на вопросы о взаимном расположении объектов на изображении
  • определение расстояния, глубины и ориентации объектов
  • подсчёт объектов и проверка их наличия в сцене
  • оценка размера объектов и их достижимости
  • анализ сцены с локализацией объектов и пространственными связями

Ограничения

В README описаны только пространственные задачи для изображений; результаты на других задачах и языках не приведены. Заявленное превосходство над GPT-4o относится 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

SpatialThinker-3B

SpatialThinker-3B is a 3D-aware multimodal large language model (MLLM) trained with reinforcement learning to integrate structured spatial grounding with multi-step reasoning. The model simulates human-like spatial perception by constructing a scene graph of task-relevant objects and spatial relations, and reasoning towards an answer via dense spatial rewards.

Model Description

  • Base Model: Qwen2.5-VL-3B-Instruct
  • Training: GRPO (Group Relative Policy Optimization) with dense spatial rewards
  • Training Data: STVQA-7K (7,587 spatial VQA samples)
  • Authors: Hunar Batra, Haoqin Tu, Hardy Chen, Yuanze Lin, Cihang Xie, Ronald Clark
  • Institutions: University of Oxford, UC Santa Cruz

Key Features

  • Structured Spatial Reasoning: Constructs question-focused scene subgraphs with objects, bounding boxes, and relations
  • Dense Spatial Rewards: Multi-objective reward function enforcing format, count, accuracy, and spatial grounding
  • 9 Spatial Reasoning Categories: Relations, reach, size, orientation, instance location, depth, distance, count, and existence
  • Outperforms GPT-4o: On spatial understanding benchmarks while using only 7K training samples

Inference Template

Use the following template for inference:

You FIRST observe the image in <observe> </observe> tags, then visualise the relevant scene graph in <scene> </scene> tags, followed by thinking about the reasoning process as an internal monologue within <think> </think> tags and then provide the final answer. The final answer MUST BE put within <answer> </answer> tags, and only return the final choice including the correct option and answer within the answer tags, e.g., <answer> (A) cat </answer>.

Image size: {Width} x {Height}

Usage

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from PIL import Image

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "OX-PIXL/SpatialThinker-3B",
    torch_dtype="auto",
    device_map="auto"
)
processor = AutoProcessor.from_pretrained("OX-PIXL/SpatialThinker-3B")

# Load image
image = Image.open("your_image.jpg")
width, height = image.size

# Prepare prompt with template
template = f"""You FIRST observe the image in <observe> </observe> tags, then visualise the relevant scene graph in <scene> </scene> tags, followed by thinking about the reasoning process as an internal monologue within <think> </think> tags and then provide the final answer. The final answer MUST BE put within <answer> </answer> tags, and only return the final choice including the correct option and answer within the answer tags, e.g., <answer> (A) cat </answer>.

Image size: {width} x {height}"""

question = "Where is the cat relative to the couch? (A) on top of (B) in front of (C) behind (D) beside"

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": template + "\n\n" + question},
        ],
    }
]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=[image], return_tensors="pt").to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=1024)
output = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(output)

Citation

@misc{batra2025spatialthinkerreinforcing3dreasoning,  
  title={SpatialThinker: Reinforcing 3D Reasoning in Multimodal LLMs via Spatial Rewards},  
  author={Hunar Batra and Haoqin Tu and Hardy Chen and Yuanze Lin and Cihang Xie and Ronald Clark},  
  year={2025},  
  eprint={2511.07403},  
  archivePrefix={arXiv},  
  primaryClass={cs.CV},  
  url={https://arxiv.org/abs/2511.07403},  
}

Links

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
b3b22e1

0 моделей