/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
4 мар 2026

ZwZ-2B

Изображение и текст → текст3 профессии

ZwZ-2B — дообученная мультимодальная модель inclusionAI для детального анализа изображений и ответов на визуальные вопросы за один проход.

137скачиваний за 30 дней6лайковвеса обновлены4 мар 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

ZwZ-2B — мультимодальная модель для детального восприятия изображений, разработанная inclusionAI на основе Qwen3-VL-2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы в формате визуального вопросно-ответного диалога. Модель дообучена методом Region-to-Image Distillation с последующим обучением с подкреплением: данные о мелких областях изображения переносятся на анализ целого изображения, чтобы получать детальные ответы за один проход без увеличения изображения во время вывода и вызова инструментов.

Модель предназначена для распознавания мелких визуальных деталей и ответов на вопросы по изображениям; карточка также сообщает об улучшениях на задачах визуального рассуждения, взаимодействия с графическими интерфейсами и обнаружения AIGC. Архитектура — плотная Qwen3-VL, размер базовой модели — 2 млрд параметров. В качестве обучающих данных использован набор inclusionAI/ZwZ-RL-VQA из 74 тысяч примеров. Лицензия — Apache-2.0.

Авторы заявляют результаты уровня state of the art на тестах детального восприятия среди открытых моделей сопоставимого размера, однако README не приводит численные результаты и условия сравнения. Хотя базовая Qwen3-VL поддерживает анализ изображений и видео, для ZwZ-2B явно описано восприятие изображений; поддержка видео и языков помимо английского в предоставленных сведениях не подтверждена.

Сценарии применения

  • ответы на вопросы о мелких деталях изображения
  • визуальный поиск объектов и деталей на изображении
  • визуальное рассуждение по изображению
  • анализ элементов графического интерфейса
  • оценка изображений, созданных ИИ

Ограничения

Заявления о передовом качестве приведены без численных результатов и условий сравнения в предоставленном README. Поддержка видео и языков помимо английского в доступных сведениях не подтверждена.

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

ZwZ-2B

📃 Paper | 🏠 Project | 🤗 Collection

Model Summary

ZwZ-2B is a fine-grained multimodal perception model built upon Qwen3-VL-2B. It is trained using Region-to-Image Distillation (R2I) combined with reinforcement learning, enabling superior fine-grained visual understanding in a single forward pass — no inference-time zooming or tool calling required. ZwZ-2B achieves state-of-the-art performance on fine-grained perception benchmarks among open-source models of comparable size.

Key Features

  • ⚡ Single-Pass Efficiency: Achieves fine-grained perception in one forward pass, eliminating inference-time tool-calling overhead
  • 🎯 Superior Accuracy: State-of-the-art on perception benchmarks among open-source models
  • 📈 Broad Improvements: Enhances not only perception benchmarks but also out-of-distribution generalization on visual reasoning, GUI agent, and AIGC detection

How It Works

Traditional "Thinking-with-Images" methods zoom into regions of interest during inference, incurring high latency from repeated tool calls and visual re-encoding. ZwZ transforms zooming from an inference-time tool into a training-time primitive:

  1. Zoom in to micro-cropped regions and let strong teacher models (Qwen3-VL-235B, GLM-4.5V) generate high-quality VQA data
  2. Distill this region-grounded supervision back to the full image with explicit bounding-box overlays
  3. Reinforce via RL training to enable single-glance fine-grained perception without tool use

Quickstart

Installation

pip install transformers accelerate torch

Inference

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    "inclusionAI/ZwZ-2B", dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("inclusionAI/ZwZ-2B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=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 Data

ZwZ-2B is trained on inclusionAI/ZwZ-RL-VQA, a 74K-sample Region-to-Image distilled VQA dataset synthesized from diverse image pools (SA-1B, LAION, MetaCLIP, Visual Genome, CC12M, STPLS3D).

Citation

@article{wei2026zooming,
  title={Zooming without Zooming: Region-to-Image Distillation for Fine-Grained Multimodal Perception},
  author={Wei, Lai and He, Liangbo and Lan, Jun and Dong, Lingzhong and Cai, Yutong and Li, Siyuan and Zhu, Huijia and Wang, Weiqiang and Kong, Linghe and Wang, Yue and Zhang, Zhuosheng and Huang, Weiran},
  journal={arXiv preprint arXiv:2602.11858},
  year={2026}
}

License

This model follows the license of Qwen3-VL-2B. Please refer to the base model's license for usage terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
de7bbe3

0 моделей