/ Модель

Характеристики

Контекст
4 096 000 токенов
Лицензия
CC BY-NC 4.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Опубликована
7 окт 2026

GRASP-Qwen3-VL-8B

Компьютерное зрениеВидео, текст → текст

Модель анализирует социальные взаимодействия нескольких людей в видео и отвечает на вопросы о взгляде, жестах и участниках взаимодействия.

23скачиваний за 30 дней0лайковвеса обновлены8 окт 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

GRASP-Qwen3-VL-8B — мультимодальная модель на базе Qwen3-VL-8B-Instruct, дообученная командой interlive на наборе GRASP с помощью сигнала Social Grounding Reward и метода GRPO. Она предназначена для ответов на вопросы о социальных взаимодействиях нескольких людей в видео, в частности для рассуждений о направлении взгляда, жестах и участниках взаимодействия. В ответе модель формирует теги привязки к участникам и итоговый тег ответа.

Модель использует архитектуру Qwen3-VL с 8 млрд параметров и принимает видео вместе с текстовым вопросом, выдавая текстовый ответ. Карточка указывает английский язык и лицензию CC BY-NC 4.0, которая ограничивает использование некоммерческими целями. Это специализированное дообучение; результаты для иных видеозадач и языков не подтверждены.

Сценарии применения

  • определение участников взаимодействия по взгляду и жестам в видео
  • ответы на вопросы о невербальных социальных событиях
  • привязка описанного взаимодействия к конкретным людям в многолюдном видео

Ограничения

Модель специализирована на рассуждениях о невербальных взаимодействиях нескольких людей; качество на других видеозадачах и языках не подтверждено. Лицензия CC BY-NC 4.0 допускает только некоммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GRASP-Qwen3-VL-8B

📜 Paper · 🌐 Project Page · 💻 Code · 📦 Dataset

Qwen3-VL-8B post-trained on GRASP with Social Grounding Reward (SGR) — a GRPO learning signal that rewards reasoning about the correct participants in each gaze/gesture interaction, built on GRASP's structured social events.

Introduced in GRASP: Learning to Ground Social Reasoning in Multi-Person Non-Verbal Interactions (NeurIPS 2026).

Usage

The model answers social reasoning questions over multi-person video, producing <gaze>/<gesture> grounding tags and a final <answer> tag.

from transformers import AutoModelForImageTextToText, AutoProcessor

model = AutoModelForImageTextToText.from_pretrained(
    "interlive/GRASP-Qwen3-VL-8B", torch_dtype="bfloat16", device_map="auto"
)
processor = AutoProcessor.from_pretrained("interlive/GRASP-Qwen3-VL-8B")

Evaluation on GRASP-Bench: see eval/eval_social_qa.py in the code release. Videos are sampled at 2 fps.

License

The model weights are released under CC BY-NC 4.0 for non-commercial research use only. The base model, Qwen3-VL-8B-Instruct, is licensed under Apache 2.0.

Citation

@article{kim2026grasp,
  title={GRASP: Learning to Ground Social Reasoning in Multi-Person Non-Verbal Interactions},
  author={Kim, Junho and Cao, Xu and Yang, Houze and Boote, Bikram and Jojic, Ana and Ryan, Fiona and Lai, Bolin and Lee, Sangmin and Rehg, James M},
  journal={arXiv preprint arXiv:2605.15764},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForReasoningQA
Ревизия весов
e127899

0 моделей