/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
13 сен 2026

Spatial-Interactor-Qwen2.5-VL-7B

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель Qwen2.5-VL для пространственного рассуждения о состоянии мира и движении по изображениям и видео.

200скачиваний за 30 дней1лайквеса 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-7B — мультимодальная модель с 7,1 млрд параметров, разработанная как дообученная версия Qwen/Qwen2.5-VL-7B-Instruct. Она предназначена для пространственного рассуждения по изображениям и видео: модель учится определять локальные изменения состояния мира и движения наблюдателя, а затем объединять такие переходы в длинных траекториях. Для обучения применялись supervised fine-tuning и дистилляция на собственных траекториях; во время работы модели дополнительные трассы, учитель или модель вознаграждения не нужны.

Модель принимает изображения или видео вместе с вопросом в формате базовой Qwen2.5-VL и формирует текстовый ответ. Контекст составляет до 128 000 токенов. Доступны веса BF16, токенизатор, процессор и шаблон чата; для загрузки README указывает Transformers. Лицензия — Apache-2.0. Карточка не приводит отдельной оценки качества или конкретных тестов пространственного рассуждения.

Сценарии применения

  • ответы на вопросы о пространственных отношениях на изображении
  • анализ изменений сцены в видеопоследовательности
  • оценка движения наблюдателя по кадрам
  • описание последовательности состояний физической сцены

Ограничения

Карточка не приводит количественных оценок качества и результатов тестирования. Область настройки сосредоточена на пространственных переходах и траекториях; иные способности базовой модели отдельно не охарактеризованы.

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-7B-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-7B"
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 is released under Apache-2.0, following the base model license. 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
3e5d2ec

0 моделей