/ 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-CLIP-InternVL3-8B

Генерация текстаТекст → текст6 профессий

Мультимодальная модель, уточняющая подписи к изображениям с помощью поиска и оценки качества, чтобы сократить галлюцинации и пропуски.

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-CLIP-InternVL3-8B — мультимодальная модель для описания изображений, дообученная на базе OpenGVLab/InternVL3-8B-Instruct методом GRPO. Она использует стратегию Re³Cap: Caption Refinement Suggester и Caption Quality Assessor помогают находить галлюцинации и пропуски в подписи и уточнять её. В качестве сигнала вознаграждения применяется сходство изображения и сгенерированной подписи по CLIP.

Модель предназначена для создания более точных и подробных подписей к изображениям без дополнительной разметки. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Метаданные также указывают поддержку диалога и интерфейс вызова инструментов, а базовая модель описана как способная работать с изображениями и видео. В карточке самой модели видео не заявлено.

Сценарии применения

  • создание подробных подписей к изображениям
  • уточнение автоматически сгенерированных описаний изображений
  • проверка подписей на галлюцинации и пропущенные детали

Ограничения

В README не приведены количественные оценки качества и не перечислены проверенные языки. Описанные возможности сфокусированы на создании подписей к изображениям.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Re3Cap-CLIP-InternVL3-8B

This model is fine-tuned from InternVL3-8B-Instruct using GRPO with the CLIP image-text similarity (CLIP) 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 CLIP reward, which uses the CLIP image-text similarity score between the image and the generated caption as the reward signal (Cho et al., 2022).

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
3f9ffb7

0 моделей