/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_5 · dense
Библиотека
transformers
Опубликована
19 авг 2026

SPARC-Qwen3.5-0.8B-VTFT

Изображение и текст → текст3 профессии

Компактная мультимодальная модель Qwen3.5 для пространственного рассуждения по изображениям и выдачи координат объектов.

1 006скачиваний за 30 дней0лайковвеса обновлены19 авг 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

SPARC-Qwen3.5-0.8B-VTFT — мультимодальная модель семейства Qwen3.5, разработанная irl-kit для пространственного рассуждения в embodied-сценариях. Это плотная модель с 0,8 млрд параметров, принимающая изображения и текстовые вопросы и выдающая текстовые ответы; в каталоге Hugging Face указаны архитектура Qwen3_5ForConditionalGeneration, библиотека Transformers и формат safetensors.

Модель полностью дообучена на данных VQA, созданных из аннотаций SPARC, а также на смесях FSD, RoboPoint и LLaVA-OneVision2. Обучение включало донастройку vision tower и проектора. Модель предназначена для вопросов о пространственных отношениях и расположении объектов на изображении, а также для выдачи координат точек или траекторий в заданном JSON-формате. Для корректной работы README рекомендует применять встроенный chat template и отключать режим reasoning.

В локальной оценке это наиболее сильный вариант среди испытанных моделей размером 0,8 млрд параметров; результаты ниже, чем у вариантов на 4 и 9 млрд параметров. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы о расположении объектов на изображении
  • определение пространственных отношений между объектами
  • указание точки на изображении по текстовому запросу
  • генерация координат траектории или нескольких точек в JSON

Ограничения

Качество ниже, чем у оценённых вариантов Qwen3.5 на 4 и 9 млрд параметров. Для соответствия описанному режиму оценки важны встроенный формат чата и отключение режима reasoning.

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

SPARC-Qwen3.5-0.8B-VTFT

Qwen3.5-0.8B fully fine-tuned for embodied spatial reasoning using VQA data generated from SPARC annotations. VTFT denotes vision-tower fine-tuning.

Training data

The training mixture contains SPARC-generated VQA data from ours_adaptive_det_soft_snr_sp8, FSD, RoboPoint, and LLaVA-OneVision2. SPARC samples use an annotation-quality threshold of 0.97, are sorted by score, and are capped at 700 samples per object. This is the same mixture as the 4B release.

ReleaseSPARC VQA (filtered)FSDRoboPointLLaVA-OneVision2EO-1.5M
Qwen3.5-4BYesYesYesYesNo
Qwen3.5-0.8B-VTFTYesYesYesYesNo
Qwen3.5-9B-EOYesYesYesYesYes

The SPARC training data is the filtered release subset, which needs no further SPARC filtering. Its filtering script and release mixture manifest are in irl-kit/SPARC-VQA-Raw. FSD, RoboPoint, LLaVA-OneVision2, and EO-1.5M remain their respective upstream datasets.

Prompting

Prompt formatting is important for these models. Use the bundled chat_template.jinja through processor.apply_chat_template(..., add_generation_prompt=True), with one user turn containing the image(s) followed by the text question. Disable thinking/reasoning mode to match evaluation.

For a single point, append exactly:

Output the point coordinates in JSON format like [{"point_2d": [x, y], "label": "target"}]. Use integer coordinates between 0 and 1000.

For a trajectory or multiple points, append exactly:

Return only a JSON list like [{"point_2d": [x1, y1], "label": "point_1"}, {"point_2d": [x2, y2], "label": "point_2"}, ...]. Use integer coordinates between 0 and 1000.

Training

Both the vision encoder and vision projector are trainable. The model was fully fine-tuned for one epoch with a learning rate of 2e-5 and a maximum sequence length of 5600.

Evaluation

This is the strongest evaluated 0.8B variant: local full-benchmark aggregate 0.605, compared with 0.596 for the frozen-vision 0.8B run. The paper appendix reports a 53.2 pointing/VQA average for this variant.

ModelAggregateWhere2PlaceRefSpatial locationIA-BenchRoboRefIt testAVA Bench-P
Qwen3.5-4B0.69872.059.079.085.765.7
Qwen3.5-0.8B-VTFT0.60558.047.076.780.948.3
Qwen3.5-9B-EO0.71976.068.078.585.268.7

Citation

@article{blank2026sparc,
  title={SPARC: Reliable Spatial Annotations from Robot Demonstrations at Scale},
  author={Blank, Nils and others},
  journal={arXiv preprint arXiv:2606.13497},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
ee442b3

0 моделей