/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
4 окт 2026

op-hrg-qwen3vl4b-instruct

Изображение и текст → текст

OP-HRG — дообученная мультимодальная модель для поиска объектов и их частей на изображениях по текстовым запросам с выдачей рамок и точек.

61скачиваний за 30 дней2лайкавеса обновлены6 окт 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

OP-HRG — модель визуального заземления на уровне частей объектов, разработанная Кази Сажидом Мехрабом и соавторами. Она дообучена на Qwen3-VL-4B-Instruct и принимает изображение вместе с англоязычным запросом об объекте или его части, например о ручке кружки, после чего возвращает ограничивающие рамки и точку для указанной области.

Модель предназначена для поиска объектов и их частей на изображениях, включая запросы с описанием части и визуальным рассуждением. Результаты можно передавать в SAM2 или SAM3 для получения масок. Входное изображение следует привести к размеру 1024×1024; координаты результата задаются в диапазоне 0–1000 и пересчитываются в пиксели исходного изображения.

Модель основана на мультимодальной архитектуре Qwen3-VL, использует библиотеку Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. В карточке указано, что сведения об ограничениях и результатах оценки приведены в соответствующих разделах статьи; конкретные детали здесь не раскрыты.

Сценарии применения

  • поиск части объекта на изображении по описанию
  • поиск объекта на изображении по текстовому запросу
  • получение рамок и опорных точек для сегментации
  • подготовка запросов для построения масок в SAM2 или SAM3

Ограничения

Для входного изображения требуется размер 1024×1024, а координаты выдаются в масштабе 0–1000 и требуют пересчёта для исходного изображения. Подробности об ограничениях и результаты оценки в карточке отнесены к статье, но не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for op-hrg — Qwen3-VL-4B-Instruct

Part-level visual grounding model for OP-HRG ("Reasoning-Guided Part-Level Visual Grounding via Reinforcement Learning", ECCV 2026). Given an image and a text query naming an object or a part (e.g. "mug's handle"), it outputs bounding boxes and point.

Model Details

Model Description

  • Developed by: Kazi Sajeed Mehrab, Hani Alomari, Najibul Haque Sarker, Chia-Wei Tang, Zaber Ibn Abdul Hakim, Anuj Karpatne, Chris Thomas
  • Language(s) (NLP): English
  • License: Apache-2.0
  • Fine-tuned from model: Qwen3-VL-4B-Instruct

Model Sources

Source Repository Code

Uses

Direct Use

Given an image and a text query naming an object or a part (e.g. "mug's handle"), the model outputs bounding boxes and points.

Downstream Use

To get masks, pass each (box, point) pair from <answer> to SAM2 (facebook/sam2-hiera-large) or SAM3 (facebook/sam3).

Bias, Risks, and Limitations

Please refer to Paper Section 5.

How to Get Started with the Model

Use the code below to get started with the model.

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
model = Qwen3VLForConditionalGeneration.from_pretrained("ksmehrab/op-hrg-qwen3vl4b-instruct", torch_dtype="bfloat16")
processor = AutoProcessor.from_pretrained("ksmehrab/op-hrg-qwen3vl4b-instruct")

Prompt

training/prompts/ophrg_prompt.txt in the op-hrg repository.

Input and coordinate convention

  • Resize the input image to 1024×1024.
  • Output coordinates are on a 0–1000 grid. To get pixel coordinates in the original image, multiply x by original_width / 1000 and y by original_height / 1000.

Output format

<locate>reasoning about the query</locate>
<target>object|part</target>
<object_hint>[{"bbox_2d": [x1,y1,x2,y2], "point_2d": [x,y]}, ...] or []</object_hint>
<first_answer>[{"bbox_2d": [x1,y1,x2,y2], "point_2d": [x,y]}, ...]</first_answer>
<criticism>self-check of the first answer. ADJUSTMENT: YES|NO</criticism>
<answer>[{"bbox_2d": [x1,y1,x2,y2], "point_2d": [x,y]}, ...]</answer>

Training Details

Please refer to Paper Section 4.1.

Evaluation

Evaluation code: evaluation/ in the op-hrg repository.

Results

Please refer to Paper Section 4.3.

Citation

If you use this model, please cite:

BibTeX:

@inproceedings{mehrab2026reasoning,
  title={Reasoning-Guided Part-Level Visual Grounding via Reinforcement Learning},
  author={Mehrab, Kazi Sajeed and Alomari, Hani and Sarker, Najibul Haque and Tang, Chia-Wei and Hakim, Zaber Ibn Abdul and Karpatne, Anuj and Thomas, Chris},
  booktitle={European Conference on Computer Vision},
  pages={590--608},
  year={2026},
  organization={Springer}
}

Acknowledgements

This work was supported by the Imageomics Institute, which is funded by the US National Science Foundation's Harnessing the Data Revolution (HDR) program under Award #2118240 (Imageomics: A New Frontier of Biological Information Powered by Knowledge-Guided Machine Learning). Any opinions, findings and conclusions or recommendations expressed in this material are those of the author(s) and do not necessarily reflect the views of the National Science Foundation.

Model Card Authors

Kazi Mehrab

Model Card Contact

ksmehrab [at] vt [dot] edu or DM here

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
5ced651

0 моделей