/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
17 июл 2026

trace-qwen2.5-vl-3b

Изображение и текст → текст3 профессии

TRACE Qwen2.5-VL 3B — дообученная мультимодальная модель для диалогового анализа изображений и визуальных рассуждений.

78скачиваний за 30 дней0лайковвеса обновлены27 июл 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

TRACE Qwen2.5-VL 3B — мультимодальная модель Maveryn для анализа изображений и визуальных рассуждений. Это слитый чекпойнт на 500-м шаге обучения GRPO, полученный дообучением Qwen/Qwen2.5-VL-3B-Instruct на 64 000 примерах из 1 000 задач набора maveryn/trace. Модель содержит 3,1 млрд параметров, построена на архитектуре Qwen2.5-VL и работает с изображениями и текстом; заявленная длина контекста — 128 000 токенов.

Модель предназначена для мультимодальных диалоговых сценариев, где нужно отвечать на вопросы по изображениям и выполнять задачи визуального рассуждения. В оценке на 24 внешних бенчмарках TRACE показала макросредний результат 42,85% против 39,34% у базовой модели при описанных авторами настройках оценки.

Модель может давать неверные ответы, неподтверждённые рассуждения и ненадёжно связывать выводы с изображением. Она обучена на синтетических задачах и не проверена для критически важных решений, медицины, права или автономного принятия решений. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

Сценарии применения

  • ответы на вопросы по изображениям
  • визуальные рассуждения по содержимому изображения
  • анализ визуальных задач с проверяемым вознаграждением
  • сравнение качества мультимодальных моделей на бенчмарках

Ограничения

Модель может ошибаться, строить неподтверждённые рассуждения и ненадёжно обосновывать ответы изображением; её не проверяли для критически важных, медицинских, юридических или автономных сценариев. Лицензия указана как other, но конкретные условия использования в доступных данных не приведены.

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

TRACE Qwen2.5-VL 3B

TRACE Qwen2.5-VL 3B is a GRPO checkpoint derived from Qwen/Qwen2.5-VL-3B-Instruct and trained on 64,000 grounded visual-reasoning examples spanning 1,000 tasks from maveryn/trace. This repository contains the merged step-500 inference checkpoint.

Paper · Project page · GitHub · Collection · Training configuration · Evaluation suite · Run artifacts

Training and provenance

FieldValue
Base modelQwen/Qwen2.5-VL-3B-Instruct@66285546d2b821cf421d4f5eb2576359d3770cd3
Datasetmaveryn/trace@4e5b54361360296a855542b40cfd8b7f81b355fe
MethodGRPO, 500 steps, global/rollout batch 128, 8 responses per prompt
OptimizationAdamW, learning rate 1e-6, constant schedule, KL disabled
Reward0.95 × exact JSON answer + 0.05 × valid JSON format; annotation reward 0
Reference run8 NVIDIA H100 80GB GPUs
Released artifactMerged step-500 inference weights

The released training profile reads prompt_answer, scores answer_gt, and does not use the advisory trace_supervision_mode column. The consumed fields, embedded image bytes, and row order in the current dataset release were verified identical to the original training input in the public equivalence receipt.

The canonical output ends with {"answer": ...}. Exact hashes, source revision, and run provenance are recorded in trace_training_provenance.json and .trace_model_revision.json. The repository does not include optimizer, scheduler, trainer, or FSDP state for continuation.

Evaluation

trace_eval_v1 evaluates 24 external benchmarks and 32,805 examples per model and decoding seed. Scores below are the unweighted macro mean of the 24 benchmark percentages, reported as mean ± sample standard deviation across seeds 42, 43, and 44.

ModelOverall score
Qwen2.5-VL-3B-Instruct39.34 ± 0.63
TRACE Qwen2.5-VL 3B42.85 ± 0.39
Paired improvement+3.51 ± 0.25

Per-benchmark scores, model revisions, aggregation, and benchmark provenance are available in the public results.json and evaluation documentation.

Usage

from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration

model_id = "maveryn/trace-qwen2.5-vl-3b"
revision = "2ec2374d5c219e6b12e26bda93d3b3adeb1e30c5"
image_url = "https://raw.githubusercontent.com/maveryn/trace/main/docs/assets/paper-domain-montage/trace-paper-domain-montage.png"

processor = AutoProcessor.from_pretrained(model_id, revision=revision)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_id,
    revision=revision,
    dtype="auto",
    device_map="auto",
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": image_url},
            {"type": "text", "text": "How many visual domains are shown with example images? Respond with only a JSON object using the key \"answer\"."},
        ],
    }
]
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [
    output[len(prompt) :] for prompt, output in zip(inputs.input_ids, output_ids)
]
print(processor.batch_decode(generated_ids, skip_special_tokens=True)[0])

Verified reference answer

For the published montage used above, the expected output is:

{"answer": 11}

The value is backed by the committed montage manifest (layout.panel_count). This is reference ground truth, not a claim about a particular decoding run; publish qualitative model outputs only with their recorded inference settings.

The pinned revision is the checkpoint used by the canonical evaluation; later repository heads may update documentation without changing the model weights.

Intended use and limitations

This checkpoint is intended for research on multimodal reasoning and verifiable-reward post-training. It can produce incorrect answers, unsupported reasoning, or unreliable grounding. It was trained on synthetic tasks and has not been validated for safety-critical, medical, legal, or autonomous decision-making uses. Results depend on the recorded prompts, decoding, parsers, and scorers.

License

This checkpoint is subject to the upstream Qwen Research License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
4c3e7f6

0 моделей