/ Модель

Характеристики

Контекст
12 288 токенов
Размер весов
15,9 ГБ
Лицензия
Apache 2.0
Архитектура
internvl_chat · dense
Базовая модель
InternVL3-8B-Instruct
Опубликована
20 июн 2026

Re3Cap-CIM-InternVL3-8B

Генерация текстаТекст → текст4 профессии

Мультимодальная модель на базе InternVL3-8B-Instruct для уточнения и генерации более точных описаний изображений.

30скачиваний за 30 дней0лайковвеса обновлены4 сен 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

Re3Cap-CIM-InternVL3-8B — мультимодальная модель для описания изображений, разработанная на основе OpenGVLab/InternVL3-8B-Instruct. Модель дообучена с помощью GRPO и награды Cross-modal Identity Mapping (CIM) с использованием стратегии Re³Cap, которая уточняет подписи к изображениям с опорой на поиск похожих изображений.

Re³Cap сочетает Caption Refinement Suggester и Caption Quality Assessor для выявления галлюцинаций и пропусков в описаниях. Такой подход предназначен для генерации более точных и подробных подписей без дополнительных аннотаций. Модель принимает изображения и текстовые запросы и выдаёт текст; карточка также указывает поддержку диалога и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Сценарии применения

  • генерация подробных подписей к изображениям
  • уточнение черновых описаний изображений
  • поиск галлюцинаций в подписях к изображениям
  • выявление пропущенных деталей в описании изображения

Ограничения

Карточка не сообщает результаты сравнительных оценок качества; стратегия Re³Cap заявлена для уточнения описаний изображений, а её характеристики на других задачах не приведены.

Для каких профессий подходит4

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

Re3Cap-CIM-InternVL3-8B

This model is fine-tuned from InternVL3-8B-Instruct using GRPO with the Cross-modal Identity Mapping (CIM) reward and the Re³Cap retrieval-guided refinement strategy, as described in our EMNLP 2026 Main paper.

arXiv

Overview

Re³Cap (Retrieval-Guided Refinement for Image Captioning) is a retrieval-guided reasoning strategy that improves image captioning without requiring additional annotations. It is instantiated by Caption Refinement Suggester (CRS) and Caption Quality Assessor (CQA), which together identify hallucinations and omissions in generated captions, leading to more accurate and detailed descriptions.

This checkpoint applies Re³Cap on top of the CIM reward, which rewards the similarity between the images retrieved by the caption and the original image (Jia et al., 2026).

Citation

@inproceedings{jia2026re3cap,
    title     = {Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning},
    author    = {Jia, Haonan and Dong, Shichao and Sun, Zenghui and Zheng, Jiawen and Miao, Ziqi and Shi, Gege and Zhao, Qiuyu and Lan, Jinsong and Zhu, Xiaoyong and Zheng, Bo},
    booktitle = {Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing},
    year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
InternVLChatModel
Ревизия весов
2d21058

0 моделей