/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
28,3 ГБ
Лицензия
Llama 2
Архитектура
llava · dense
Базовая модель
llava-1.5-7b-hf
Опубликована
15 июн 2026

Re3Cap-SC-LLaVA1.5-7B

Изображение и текст → текст3 профессии

Мультимодальная модель на базе LLaVA-1.5-7B, дообученная для создания более точных и подробных описаний изображений с самокоррекцией.

26скачиваний 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-SC-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Модель дообучена методом GRPO с вознаграждением за самокоррекцию на уровне ключевых слов и стратегией Re³Cap, которая использует поиск для уточнения подписи к изображению.

Подход Re³Cap включает Caption Refinement Suggester и Caption Quality Assessor: они помогают обнаруживать галлюцинации и пропущенные детали в сгенерированном описании. Модель предназначена для получения более точных и подробных подписей без дополнительных аннотаций. Поддерживает ввод изображений и текста, выдаёт текст; контекст — 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия — Llama 2 Community License.

Сценарии применения

  • создание подробных подписей к изображениям
  • уточнение чернового описания изображения
  • поиск пропущенных объектов и деталей в подписи
  • проверка подписи на галлюцинации

Ограничения

В карточке не приведены количественные результаты оценки качества или сведения об ограничениях стратегии поиска. Эффективность уточнения зависит от качества исходной подписи и доступных сведений для поиска.

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-LLaVA1.5-7B

This model is fine-tuned from LLaVA-1.5-7B 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).

Usage

from transformers import LlavaForConditionalGeneration, AutoProcessor
from PIL import Image

model = LlavaForConditionalGeneration.from_pretrained("kkk5/Re3Cap-SC-LLaVA1.5-7B", torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("kkk5/Re3Cap-SC-LLaVA1.5-7B")

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

text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(images=image, text=text, 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
LlavaForConditionalGeneration
Ревизия весов
97e97f6

0 моделей