/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
1 июн 2025

ViLaSR

Изображение и текст → текст3 профессии

ViLaSR-7B — дообученная мультимодальная модель Qwen для пространственных рассуждений по изображениям и генерации текстовых ответов.

159скачиваний за 30 дней18лайковвеса обновлены11 авг 2025

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

ViLaSR-7B — мультимодальная модель зрения и языка, разработанная авторами работы «Reinforcing Spatial Reasoning in Vision-Language Models with Interwoven Thinking and Visual Drawing». Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; модель распространяется в формате safetensors.

Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она предназначена для пространственных рассуждений и визуального анализа с использованием чередования рассуждений и визуального рисования. Поддерживаются чатовый режим и интерфейс вызова инструментов; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык.

Модель подходит для задач, связанных с пространственным пониманием изображений и визуальным рассуждением. Данные не описывают качество на конкретных тестах или подробные ограничения применения. Лицензия в предоставленной карточке не указана.

Сценарии применения

  • ответы на вопросы о пространственном расположении объектов на изображении
  • визуальное рассуждение по сценам и взаимному положению объектов
  • анализ изображения в диалоговом режиме
  • решение задач на пространственное понимание с вызовом инструментов

Ограничения

Карточка не приводит результатов оценки качества и подробных ограничений применения. Лицензия в предоставленных данных не указана.

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

This repository contains the ViLaSR-7B model as presented in Reinforcing Spatial Reasoning in Vision-Language Models with Interwoven Thinking and Visual Drawing.

Please refer to the code https://github.com/AntResearchNLP/ViLaSR.

@misc{wu2025reinforcingspatialreasoningvisionlanguage,
      title={Reinforcing Spatial Reasoning in Vision-Language Models with Interwoven Thinking and Visual Drawing}, 
      author={Junfei Wu and Jian Guan and Kaituo Feng and Qiang Liu and Shu Wu and Liang Wang and Wei Wu and Tieniu Tan},
      year={2025},
      eprint={2506.09965},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2506.09965}, 
}

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
89f84f2

0 моделей