/ 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-CLIP-Qwen2.5-VL-7B

Изображение и текст → текст5 профессий

Дообученная мультимодальная модель Qwen2.5-VL для создания и уточнения подписей к изображениям с помощью retrieval-guided refinement и награды CLIP.

25скачиваний 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-CLIP-Qwen2.5-VL-7B — мультимодальная модель для описания изображений, созданная дообучением Qwen2.5-VL-7B-Instruct. В работе применены GRPO, награда на основе сходства изображения и текста CLIP и стратегия Re³Cap, разработанная для уточнения подписей к изображениям с помощью retrieval-guided refinement.

Модель предназначена для генерации более точных и подробных подписей к изображениям. Компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять в подписи галлюцинации и пропущенные детали. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов.

В карточке указана лицензия Apache-2.0. README связывает метод с основной статьёй EMNLP 2026, но не приводит сравнительных метрик или подробностей о датасетах, поэтому качество на конкретных типах изображений по этим данным оценить нельзя.

Сценарии применения

  • создание подробных подписей к изображениям
  • уточнение черновых описаний изображений
  • проверка подписей на пропущенные визуальные детали
  • снижение галлюцинаций в описаниях изображений

Ограничения

В README не приведены количественные оценки качества, датасеты и результаты сравнений; способность выявлять галлюцинации и пропуски описана как цель метода. Языковая поддержка отдельно не перечислена.

Для каких профессий подходит5

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-Qwen2.5-VL-7B

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

Usage

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained("kkk5/Re3Cap-CLIP-Qwen2.5-VL-7B", torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("kkk5/Re3Cap-CLIP-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
f250901

0 моделей