/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
25 сен 2025

CapRL-Eval-3B

Изображение и текст → текст7 профессий

CapRL-Eval-3B — дообученная мультимодальная модель для ответов на вопросы по изображениям и их подписям, в том числе по диаграммам и документам.

254скачиваний за 30 дней8лайковвеса обновлены17 апр 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

CapRL-Eval-3B — мультимодальная модель InternLM для ответов на вопросы по подписям к изображениям. Это дообученная версия Qwen2.5-VL-3B на основе подхода CapRL, который использует обучение с подкреплением и проверяемыми наградами; в карточке указаны архитектура Qwen2.5-VL и 3,1 млрд параметров. Модель принимает изображения и текст, формирует текстовые ответы и рассчитана на контекст до 128 000 токенов.

Модель предназначена для визуальных вопросов и ответов, включая задачи по диаграммам, инфографике и документам; README отмечает более устойчивое форматирование ответов в ChartQA. Обучение на тщательно отфильтрованном наборе из 75 тысяч пар вопросов и ответов направлено на подробные и структурированные описания изображений с меньшим числом галлюцинаций. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Заявления о сравнении качества с крупными моделями приведены авторами и не являются независимой оценкой.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • извлечение данных из диаграмм и графиков
  • ответы на вопросы по инфографике
  • визуальный анализ документов
  • получение подробных описаний естественных изображений
  • генерация структурированных ответов для задач ChartQA

Ограничения

В README нет независимых результатов оценки, поэтому заявленное авторами качество может не переноситься на все изображения и сценарии. Языковая поддержка явно не перечислена.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CapRL: Stimulating Dense Image Caption Capabilities via Reinforcement Learning

📖Paper | 🏠Github |🤗CapRL-3B Model |🤗CapRL-InternVL3.5-8B Model | 🤗CapRL-2M Dataset

🤗CapRL Collection | 🤗Daily Paper |🤗CapRL-3B-GGUF |🤗CapRL-3B-i1-GGUF

CapRL-Eval-3B is the model used for answering questions based on captions, and it is a finetuned version of Qwen2.5-VL-3B. When dealing with tasks such as ChartQA (not multiple-choice questions), it provides more stable output formatting.

Introduction

We are excited to introduce CapRL-3B, a lightweight 3B image captioner that achieves perception capabilities comparable to Qwen2.5-VL-72B.

This is the first study of applying Reinforcement Learning with Verifiable Rewards for the open-ended and subjective image captioning task. Unlike traditional Supervised Fine-Tuning, which can lead to models memorizing a limited set of annotated captions, our method allows the model to explore and generate a broader range of creative and general descriptions. CapRL is a new training paradigm featuring a decoupled two-stage pipeline. The initial stage uses LVLMs to generate rich and accurate captions. Subsequently, the second stage evaluates caption quality by using a vision-only LLM to perform the QA task. We also created a specific QA curation pipeline to ensure the quality of the questions and answers used for the second stage.

By employing CapRL training framework, initializing with the Qwen2.5-VL-3B model, and using a carefully filtered 75K QA dataset as the training set, we obtained a highly capable captioner, CapRL-3B.

Key Features

  • Remarkable visual understanding for Chart, Infographics and Document: CapRL-3B achieves perception accuracy and visual information coverage comparable to Qwen2.5-VL-72B.
  • Well-organized output: The outputs of CapRL-3B are relatively well-structured, making them clear and easy to understand.
  • Detailed description for natural images: The outputs of CapRL-3B can perfectly cover all valid visual information while containing fewer hallucinations.

Usage

If you want to use CapRL-3B for captioning, you can directly follow the exact same inference approach as in Qwen2.5-VL-series.

We recommend using vLLM to speed up inference.

Start an OpenAI API Service

Run the command below to start an OpenAI-compatible API service:

vllm serve "/PATH/CapRL-3B" \
    --trust-remote-code \
    --tensor-parallel-size=1 \
    --pipeline-parallel-size=1 \
    --gpu_memory_utilization=0.95 \
    --served-model-name=caprl \
    --port 8000 \
    --host 0.0.0.0

Then you can use the chat API as below: (see OpenAI API protocol document for more details):

import base64
from openai import OpenAI
# Set OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"
client = OpenAI(
    api_key=openai_api_key,
    base_url=openai_api_base,
)
image_path = "/path/to/local/image.png"
with open(image_path, "rb") as f:
    encoded_image = base64.b64encode(f.read())
encoded_image_text = encoded_image.decode("utf-8")
base64_qwen = f"data:image;base64,{encoded_image_text}"
chat_response = client.chat.completions.create(
    model="caprl",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": base64_qwen
                    },
                },
                {"type": "text", "text": "What is the text in the illustrate?"},
            ],
        },
    ],
    temperature=1.0,
    max_tokens=max_tokens,
    top_p=1.0,
    extra_body={
        "repetition_penalty": 1.0,
        },
)
print("Chat response:", chat_response)

Cases

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
484b8ca

0 моделей