/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
13 сен 2026

Spatial-Interactor-Qwen2.5-VL-3B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-VL-3B-Instruct для пространственного рассуждения по изображениям и видео.

148скачиваний за 30 дней2лайкавеса обновлены23 сен 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

Spatial-Interactor Qwen2.5-VL-3B — мультимодальная модель на 3,1 млрд параметров, разработанная Kagakouko на основе Qwen/Qwen2.5-VL-3B-Instruct. Это полнопараметрическое дообучение в формате BF16 для пространственного рассуждения по наблюдаемому физическому миру. Во время обучения модель осваивает переходы между состояниями окружающего мира и эго-движением, а затем объединяет последовательные переходы на длинных траекториях с помощью дистилляции на собственных политиках.

Модель принимает изображения или видео вместе с вопросом и выдаёт ответ на естественном языке. При использовании не нужны дополнительные данные о переходах, модель-учитель или отдельная ветвь оценки; формат входа совпадает с форматом базовой модели. Модель доступна через Transformers, в репозитории есть веса, токенизатор, процессор и шаблон чата. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория.

Сценарии применения

  • ответы на вопросы о пространственном расположении объектов на изображении
  • анализ перемещений и изменений сцены в видео
  • рассуждение о движении наблюдателя относительно окружающей среды
  • анализ последовательности состояний физической сцены

Ограничения

Модель специализируется на пространственном рассуждении по визуальным наблюдениям; точность для других типов задач не описана. Условия лицензии с пометкой other нужно уточнить в репозитории.

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

This is the full-parameter BF16 Spatial-Interactor checkpoint based on Qwen/Qwen2.5-VL-3B-Instruct. It learns local world-state and ego-motion transitions through supervised fine-tuning, then uses On-Policy Distillation (OPD) to integrate successive transitions over long trajectories.

The privileged transition trace is used only during training. At inference, this checkpoint takes the same image/video and question inputs as its base model, with no extra trace, reward model, or teacher branch.

Overview

Presentation

Load

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "kagakouko/Spatial-Interactor-Qwen2.5-VL-3B"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto",
)

Use the base model's image/video input format. No privileged trace or additional teacher is needed for inference. Weights, tokenizer, processor, and chat template are included. See the training guide for SFT and OPD.

Citation

For citation, use the project BibTeX.

License

This checkpoint follows the Qwen Research License of the base model. Users must also comply with licenses and terms governing input datasets and media.

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
71c5411

0 моделей