/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,7 ГБ
Лицензия
Apache 2.0
Архитектура
ad_copilot · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
30 сен 2025

AD-Copilot

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL для обнаружения промышленных аномалий путём сравнения эталонных и проверяемых изображений.

533скачиваний за 30 дней1лайквеса обновлены9 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

AD-Copilot — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная для обнаружения аномалий по сравнению изображений. Разработчики добавили визуальный энкодер ADCopilotCompareVisualEncoder: он сопоставляет эталонное и проверяемое изображения с помощью двунаправленного cross-attention и передаёт в языковую модель 100 токенов сравнения на пару изображений. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов.

Модель предназначена прежде всего для промышленного визуального контроля: она анализирует пару изображений, чтобы выявить и описать отличия или дефекты. В README заявлен результат 78,74% на бенчмарке OmniDiff, однако подробности оценки в карточке ограничены. Модель принимает изображения и текстовые инструкции, выдаёт текст; в метаданных указан английский язык. Лицензия — Apache-2.0.

Сценарии применения

  • Поиск дефектов на изделии по сравнению с эталонным изображением
  • Визуальный контроль качества на производственной линии
  • Описание отличий между нормальным и проверяемым объектом

Ограничения

Заявленный результат на OmniDiff приведён без подробностей протокола оценки; в карточке не описаны ограничения по типам изделий и условиям съёмки.

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

AD-Copilot

Comparison-aware anomaly detection with vision-language models. Extends Qwen2.5-VL-7B with a novel comparison-aware visual encoder achieving 78.74% on OmniDiff benchmark.

Paper | Code | Demo

Key Innovation

  • ADCopilotCompareVisualEncoder: Bidirectional cross-attention comparing reference and test images
  • 100 comparison tokens per image pair injected into the language model
  • State-of-the-art on industrial anomaly detection benchmarks

Quick Start

import torch
from transformers import AutoModelForVision2Seq, AutoProcessor
from qwen_vl_utils import process_vision_info

model = AutoModelForVision2Seq.from_pretrained(
    "jiang-cc/AD-Copilot",
    torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(
    "jiang-cc/AD-Copilot",
    min_pixels=64*28*28, max_pixels=1280*28*28, trust_remote_code=True,
)

messages = [{"role": "user", "content": [
    {"type": "image", "image": "good.png"},
    {"type": "image", "image": "test.png"},
    {"type": "text", "text": "The first image is good. Is there any anomaly in the second image? A.yes, B.no."},
]}]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, _ = process_vision_info(messages)
inputs = processor(text=[text], images=[image_inputs], return_tensors="pt").to(model.device)

with torch.inference_mode():
    ids = model.generate(**inputs, max_new_tokens=128, do_sample=False)
trimmed = [o[len(i):] for i, o in zip(inputs.input_ids, ids)]
print(processor.batch_decode(trimmed, skip_special_tokens=True)[0])

Results (OmniDiff Benchmark)

ModelVisited IADAvg ACC
MiniCPM-V2.6067.90%
EIAD128k69.40%
Qwen2.5-VL072.19%
AD-Copilot (Ours)206k78.74%

Architecture

  • Base: Qwen2.5-VL-7B-Instruct (28 layers, 3584 hidden)
  • Vision: Qwen2.5-VL ViT (32 layers, 1280 hidden)
  • Comparison Encoder: Bidirectional cross-attention + query decoder (100 tokens)
  • Dtype: bfloat16

Citation

@article{adcopilot2025,
  title={AD-Copilot: Comparison-Aware Anomaly Detection with Vision-Language Models},
  author={Jiang, Xi and others},
  journal={arXiv preprint arXiv:2603.13779},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ADCopilotVLForConditionalGeneration
Ревизия весов
3ddf3a2

0 моделей