/ 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-SC-InternVL3-8B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель для создания и уточнения подписей к изображениям с поисково-управляемой проверкой деталей и исправлением галлюцинаций.

34скачиваний 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-SC-InternVL3-8B — мультимодальная модель на основе InternVL3-8B-Instruct, дообученная методом GRPO с наградой keyword-level self-correction и стратегией Re³Cap для уточнения описаний изображений. Разработчики применили Caption Refinement Suggester и Caption Quality Assessor, чтобы выявлять галлюцинации и пропущенные детали в исходных подписях.

Модель предназначена для создания и уточнения подписей к изображениям: retrieval-guided refinement помогает получать более точные и подробные описания без дополнительных аннотаций. Она принимает изображения и текстовые запросы, а выдаёт текст. Репозиторий содержит веса в формате safetensors; модель основана на InternVL3-8B-Instruct и распространяется по лицензии Apache-2.0.

Сценарии применения

  • создание подробных подписей к изображениям
  • уточнение автоматически сгенерированных описаний изображений
  • проверка подписей на пропущенные детали
  • выявление галлюцинаций в описаниях изображений

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

Re3Cap-SC-InternVL3-8B

This model is fine-tuned from InternVL3-8B-Instruct using GRPO with the keyword-level self-correction (SC) 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 SC reward, which rewards keyword-level self-correction of the generated caption (Zhang et al., 2025).

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
3f84f32

0 моделей