/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
33,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
19 июн 2026

Re3Cap-CIM-Qwen2.5-VL-7B

Изображение и текст → текст4 профессии

Дообученная мультимодальная Qwen2.5-VL для создания и уточнения подписей к изображениям с выявлением галлюцинаций и пропусков.

24скачиваний за 30 дней0лайковвеса обновлены4 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

Re3Cap-CIM-Qwen2.5-VL-7B — мультимодальная модель на базе Qwen2.5-VL-7B-Instruct, дообученная методом GRPO с наградой Cross-modal Identity Mapping (CIM) и стратегией Re³Cap. Её разработчики представляют её в работе EMNLP 2026 Main.

Модель предназначена для генерации и уточнения подписей к изображениям. Стратегия Re³Cap использует Caption Refinement Suggester и Caption Quality Assessor, чтобы находить галлюцинации и пропуски в подписи и получать более точные и подробные описания; дополнительной разметки для этого подхода не требуется. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Доступна в формате safetensors по лицензии Apache-2.0.

Модель принимает изображения и текстовые инструкции и генерирует текстовые подписи. Карточка описывает её как специализированную для captioning, поэтому качество на других визуальных задачах не подтверждено.

Сценарии применения

  • создание подробных подписей к изображениям
  • уточнение автоматически сгенерированных описаний изображений
  • проверка подписей на вымышленные визуальные детали
  • поиск пропусков в описаниях изображений

Ограничения

Карточка описывает модель для подписей к изображениям; качество на других задачах не подтверждено. Языки генерации в предоставленных данных не перечислены.

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-Qwen2.5-VL-7B

This model is fine-tuned from Qwen2.5-VL-7B-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).

Usage

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained("kkk5/Re3Cap-CIM-Qwen2.5-VL-7B", torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("kkk5/Re3Cap-CIM-Qwen2.5-VL-7B")

messages = [{"role": "user", "content": [
    {"type": "image", "image": "your_image.jpg"},
    {"type": "text", "text": "Caption this image as accurately as possible, without speculation. Describe what you see."},
]}]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt").to(model.device)

output_ids = model.generate(**inputs, max_new_tokens=1024)
output_text = processor.batch_decode(output_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0]
print(output_text)

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

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
6405118

0 моделей