/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
13 сен 2026

Spatial-Interactor-Qwen3-VL-8B

Изображение и текст → текст3 профессии

Мультимодальная модель kagakouko на базе Qwen3-VL-8B-Instruct для пространственного рассуждения по изображениям и видео.

182скачиваний 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-8B — мультимодальная модель kagakouko для пространственного рассуждения по изображениям и видео. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct: сначала обучалась предсказывать локальные переходы состояния мира и движения наблюдателя, затем применялась дистилляция на собственных траекториях для интеграции переходов на длинных последовательностях. Модель использует архитектуру Qwen3-VL с 8 млрд параметров и принимает те же изображения, видео и вопросы, что и базовая модель; при работе ей не нужны обучающие переходные трассы или отдельная модель-учитель.

Модель предназначена для анализа пространственных отношений и динамики наблюдаемого физического мира в изображениях и видео, в том числе для сценариев embodied AI. Она доступна в формате BF16 и safetensors для Transformers; веса, токенизатор, процессор и шаблон чата включены. Лицензия — Apache-2.0. README не приводит количественных оценок качества или ограничений по длине входа.

Сценарии применения

  • ответы на вопросы о пространственных отношениях в изображении
  • анализ перемещений наблюдателя в видеопоследовательности
  • отслеживание изменений состояния физической сцены
  • пространственное рассуждение для сценариев embodied AI

Ограничения

Количественные оценки качества и ограничения по длине входа в README не приведены.

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-8B-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-8B"
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
455e99a

0 моделей