/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
13 сен 2026

Spatial-Interactor-Qwen3-VL-4B

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель Qwen3-VL для пространственного рассуждения и анализа переходов состояния мира по изображениям и видео.

210скачиваний 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 Qwen3-VL-4B — полноразмерный чекпойнт BF16, созданный дообучением Qwen/Qwen3-VL-4B-Instruct. Разработчики обучали его пространственному рассуждению через взаимодействие с наблюдаемым физическим миром: сначала модель дообучили на переходах состояния мира и эго-движения, затем применили дистилляцию на основе собственных траекторий, чтобы объединять последовательные переходы в длинных траекториях.

Модель принимает изображения или видео вместе с текстовым вопросом и формирует текстовый ответ. Для вывода не нужны привилегированные трассы переходов, модель вознаграждения или отдельная ветвь учителя; веса, токенизатор, процессор и шаблон диалога включены в репозиторий. Модель предназначена для пространственного рассуждения и анализа наблюдаемых сцен и движения. Она распространяется по лицензии Apache-2.0.

Сценарии применения

  • Ответы на вопросы о пространственном расположении объектов на изображении
  • Анализ движения и изменения сцены в видео
  • Рассуждение о перемещении наблюдателя и эго-движении
  • Интеграция последовательных изменений состояния мира в длинной траектории

Ограничения

Для обучения использовались привилегированные трассы переходов, но при выводе они не требуются. В README не приведены количественные оценки качества или ограничения по длине контекста.

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/Qwen3-VL-4B-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-Qwen3-VL-4B"
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
Qwen3VLForConditionalGeneration
Ревизия весов
3dd9280

0 моделей