/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
FLUX.2-klein-base-9B
Библиотека
diffusers
Опубликована
21 мая 2026

ETCHR-FLUX.2-klein-9B

Генерация изображенийТекст → изображение3 профессии

Редактор изображений на базе FLUX.2-klein-base-9B, который уточняет визуальные данные по вопросу или инструкции для поддержки мультимодального рассуждения.

31скачиваний за 30 дней9лайковвеса обновлены25 мая 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 «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест 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

ETCHR-FLUX.2-klein-9B — специализированный редактор изображений, разработанный авторами проекта ETCHR и дообученный на базе FLUX.2-klein-base-9B. Он принимает изображение и вопрос или инструкцию, а затем редактирует изображение, чтобы помочь мультимодальной языковой модели лучше рассуждать о мелких деталях, пространственных преобразованиях и визуальных задачах.

Модель предназначена для совместного использования с MLLM в задачах распознавания мелких деталей, понимания диаграмм, логических рассуждений, восстановления головоломок и пространственного понимания 3D-сцен. В предложенном авторами процессе Edit-Verify-Reason основная модель проверяет результат редактирования и при неудачной проверке возвращается к исходному изображению. Репозиторий содержит веса в форматах Diffusers и SafeTensors; лицензия указана как other, поэтому конкретные условия следует сверить с карточкой модели.

Сценарии применения

  • выделение мелких деталей изображения для ответа на вопрос
  • уточнение диаграммы перед визуальным анализом
  • подготовка изображения для решения визуальной логической задачи
  • восстановление изображения с перемешанными фрагментами
  • прояснение пространственных отношений в 3D-сцене

Ограничения

Модель рассчитана на работу вместе с мультимодальной языковой моделью; сама по себе она не заменяет систему понимания и проверки результата. В README не приведены количественные показатели качества, а условия лицензии обозначены только как other.

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

ETCHR-FLUX.2-klein-9B

📖Paper | 🏠Homepage | 🤗ETCHR-FLUX.2-klein-9B Model | 🤗ETCHR SFT-400K Dataset | 🤗ETCHR GRPO-10K Dataset | 🤗DL3DV-2K Benchmark

ETCHR-FLUX.2-klein-9B is a novel question-conditioned, reasoning-aware image editor designed to serve as a decoupled visual reasoning assistant for Multimodal Large Language Models. By decoupling the specialized image editor from the downstream understanding model, ETCHR bridges the critical bottleneck where a purely textual chain of thought fails in fine-grained focus or complex spatial transformations.

📢 News

🌈 Overview

We are thrilled to introduce ETCHR (Editing To Clarify and Harness Reasoning), a novel question-conditioned, reasoning-aware image editor built on FLUX.2-klein-base-9B designed to serve as a decoupled visual reasoning assistant for Multimodal Large Language Models (MLLMs). By decoupling the specialized image editor from the downstream understanding model, ETCHR bridges the critical bottleneck where a purely textual chain of thought fails in fine-grained focus or complex spatial transformations.

💡 Highlights

  • 🔥 Decoupled & Plug-and-Play: ETCHR functions as a separate module, allowing it to assist diverse downstream MLLMs (such as Qwen3-VL-8B, Gemini-3.1-Flash-Lite, or Kimi K2.5) without requiring any task-specific fine-tuning on the understanding models themselves.
  • 🔥 Naturally Reflective Pipeline: Introduces an Edit-Verify-Reason inference mechanism where the understanding model filters out noisy or flawed edits, reverting safely to the original image when verification fails.

📊 Results

We evaluate ETCHR across five distinct task families spanning fine-grained perception, chart understanding, logic reasoning, jigsaw restoration, and 3D understanding. Across all evaluated backbones, ETCHR consistently yields major improvements in Pass@1 accuracy:

🛠️ Evaluation

Prepare your environment:

git clone https://github.com/InternLM/ETCHR.git
conda create -n ETCHR python==3.11
conda activate ETCHR
cd RL/Pref-GRPO
bash env_setup.sh fastvideo
pip install "vllm>=0.11.0"
pip install qwen-vl-utils==0.0.14

We Provide an example code running ETCHR on DL3DV-2K Benchmark in Evaluation/inference_dl3dv.py, you can start the evaluation with the following two steps:

Step 1: start a VLLM server for an understanding model (eg. Qwen3-VL-8B, Kimi K2.5, ...).

cd Evaluation
bash launch_vllm.sh

Step 2: Run ETCHR atop any understanding model

python inference_dl3dv.py

Cases

ETCHR can assist with a broad spectrum of understanding tasks, including fine-grained perception, chart reasoning, maze navigation, jigsaw puzzles, and 3D spatial understanding.

📄 License

Our work is based on FLUX.2-klein-base-9B, so please follow FLUX Non-Commercial License.

✒️Citation

If you find this project useful, please kindly cite:

@article{zhang2026etchr,
  title={ETCHR: Editing To Clarify and Harness Reasoning},
  author={Beichen Zhang, Yuhong Liu, Jinsong Li, Yuhang Zang, Jiaqi Wang, Dahua Lin},
  journal={arXiv preprint arXiv:2605.23897},
  year={2026}
}

❤️ Acknowledgement

The base model is FLUX.2-klein-base-9B, a powerful image-to-image model.

The work is built upon DiffSynth-Studio and Pref-GRPO, two excellent codebases for Diffusion models training!


Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Можно запустить

Подбираем GPU…

Ревизия весов
482d875

0 моделей