/ Модель

Характеристики

Контекст
40 960 токенов
Размер весов
17,1 ГБ
Лицензия
Apache 2.0
Архитектура
internvl · dense
Базовая модель
InternVL3_5-8B
Библиотека
transformers
Опубликована
16 окт 2025

CapRL-InternVL3.5-8B

Изображение и текст → текст8 профессий

Мультимодальная модель CapRL на базе InternVL3.5-8B для создания подробных текстовых описаний изображений.

355скачиваний за 30 дней10лайковвеса обновлены16 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-InternVL3.5-8B — мультимодальная модель для описания изображений, разработанная авторами проекта CapRL на основе InternVL3.5-8B от OpenGVLab. Это плотная модель семейства InternVL с 8 млрд параметров, предназначенная прежде всего для генерации развернутых и содержательных подписей к изображениям. Она принимает изображения и текстовые запросы и формирует текстовый ответ; для запуска авторы описывают использование Transformers и совместимого с OpenAI API сервера vLLM.

Модель обучена в рамках CapRL — подхода с обучением с подкреплением на проверяемых наградах для открытой задачи описания изображений. В README также отмечены диаграммы, инфографика, документы и природные изображения как сценарии серии CapRL; заявленные сравнительные результаты относятся к CapRL-3B, поэтому их нельзя напрямую считать подтверждением характеристик этой 8B-модели. Модель выпущена под лицензией Apache-2.0. В доступных данных не приведены сведения о длине контекста.

Сценарии применения

  • создание подробных подписей к изображениям
  • описание объектов и сцен на фотографии
  • получение текстового описания диаграммы или инфографики
  • извлечение визуальной информации из документа в виде ответа

Ограничения

Заявления README о точности восприятия и снижении галлюцинаций относятся к CapRL-3B и не устанавливают качество этой модели. Для запуска авторский пример использует vLLM с trust_remote_code и GPU; длина контекста не указана в доступных источниках.

Для каких профессий подходит8

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

📖Paper | 🏠Github | 🤗CapRL Collection | 🤗Daily Paper

CapRL Series Model & Dataset

SeriesModels & Resources
CapRL 2.0 Series🤗 CapRL-Qwen3VL-2B | 🤗 CapRL-Qwen3VL-4B | 📦 CapRL-Qwen3VL-2B-GGUF | 📦 CapRL-Qwen3VL-4B-GGUF | 🌈CapRL-Qwen3VL-4B Space
CapRL 1.0 Series🤗 CapRL-Qwen2.5VL-3B | 🤗 CapRL-InternVL3.5-8B |📊 CapRL-QA-75K Dataset | 📊 CapRL-2M Dataset | 📦 CapRL-3B-GGUF | 📦 CapRL-3B-i1-GGUF | 🌈CapRL-Qwen2.5VL-3B Space

We are excited to release the CapRL 2.0 series: CapRL-Qwen3VL-2B and CapRL-Qwen3VL-4B. These models feature fewer parameters while delivering even more powerful captioning performance. Notably, CapRL-Qwen3VL-2B outperforms both CapRL-Qwen2.5VL-3B and Qwen2.5VL-72B in captioning tasks. This leap in efficiency is driven by our upgraded training recipe, which includes a more rigorous QA data filter and a significantly more diverse image dataset. We welcome everyone to try them out!

CapRL-InternVL3.5-8B

When selecting between the available CapRL models, it's essential to consider the trade-off between performance and computational cost. This guide will help you choose the most suitable model for your specific needs:

ModelParametersStrength
🤗CapRL-3B3BSpeed, Efficiency
🤗CapRL-InternVL3.5-8B8BHigh Performance, Advanced Captioning Ability

Now you can try out CapRL-3B with your own images🎨!    ➡️    🌈CapRL Space

📢 News

We are working on even stronger base models and upgrading our training recipe — stay tuned!

Introduction

Based on the same recipe as CapRL-3B, we used InternVL3.5-8B as the policy model and obtained CapRL-InternVL3.5-8B through CapRL.

CapRL 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 the CapRL training framework, initializing with the InternVL3.5-8B model, and using a carefully filtered 75K QA dataset as the training set, we obtained a highly capable captioner, CapRL-InternVL3.5-8B.

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-InternVL3.5-8B for captioning, you can directly follow the exact same inference approach as in InternVL-3.5-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-InternVL3.5-8B" \
    --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
InternVLForConditionalGeneration
Ревизия весов
e7ebc6d

0 моделей