/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,7 млрд
Размер весов
14,2 ГБ
Лицензия
Apache 2.0
Архитектура
chameleon · dense
Базовая модель
Anole-7b
Опубликована
30 июн 2025

Anole-Zebra-CoT

Мультимодальная модель3 профессии

Мультимодальная модель на базе Anole-7B для визуального рассуждения с генерацией чередующихся текстовых и графических фрагментов.

44скачиваний за 30 дней10лайковвеса обновлены23 июл 2025

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

Anole‑Zebra‑CoT — мультимодальная модель зрения и языка на 6,7 млрд параметров, разработанная на основе GAIR/Anole-7b и дообученная командой Multimodal Reasoning Lab на наборе Zebra‑CoT. Модель предназначена для визуальных задач рассуждения: она принимает изображения и текст и генерирует чередующиеся текстовые и графические фрагменты рассуждений. Обучающие данные включают 182 384 примера по 18 подзадачам в областях 2D- и 3D-визуальных задач, научного рассуждения и визуальной логики и игр.

В README сообщается об улучшении точности на тесте, соответствующем обучающим данным, с 4,2% до 16,9%, а также о более высоких результатах на MathVision, MathVista и VisuLogic по сравнению с Anole с CoT-промптингом. Архитектура — плотная Chameleon; формат весов — safetensors, длина контекста — 4096 токенов. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • решение задач на визуальную логику по изображению
  • рассуждение по научным диаграммам и иллюстрациям
  • ответы на вопросы по 2D-изображениям
  • рассуждение о пространственных и 3D-сценах
  • анализ изображений в логических задачах и играх

Ограничения

В README приведены результаты на ограниченном наборе визуальных бенчмарков; они не гарантируют аналогичного качества на других задачах. Контекст модели ограничен 4096 токенами.

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

Anole‑Zebra‑CoT

Paper on ArXiv Dataset on Hugging Face Model on Hugging Face

A Vision–Language model based on Anole‑7B, fine‑tuned on the Zebra‑CoT dataset to generate interleaved text‑image reasoning traces.


Table of Contents


Model Description

Anole‑Zebra‑CoT is derived from the open‑source Anole‑7B model (Chern et al., 2024) and further fine‑tuned end‑to‑end on the Zebra‑CoT corpus, a large‑scale dataset of high‑quality interleaved text‑image reasoning traces covering four major categories (scientific, 2D, 3D, and logic/game tasks). After fine‑tuning, the model’s in‑distribution test accuracy improved from 4.2 % to 16.9 %, a +12 % absolute gain, and uniform improvement on several challenging VLM benchmarks, demonstrating substantially enhanced visual reasoning capabilities.


Usage

For usage examples and code snippets, please refer to the inference directory of the Thinking with Generated Images repository.


Training Details

  • Base model: Anole‑7B (Chameleon Research License)

Dataset

  • Zebra‑CoT: 182 384 interleaved text‑image reasoning samples across 18 sub‑tasks in 4 categories (2D visual, 3D visual, scientific reasoning, visual logic & strategic games).

Evaluation

BenchmarkAnole + CoT PromptingAnole‑Zebra‑CoT
MathVision13.80 %16.45 %
MathVista22.80 %25.30 %
VisuLogic8.50 %21.80 %
EMMA12.80 %15.02 %
MMVP10.00 %15.33 %
BLINK26.46 %31.25 %
Vstar23.60 %27.20 %

Citation

If you use this model, please cite:

@misc{li2025zebracot,
      title={Zebra-CoT: A Dataset for Interleaved Vision Language Reasoning}, 
      author={Ang Li and Charles Wang and Kaiyu Yue and Zikui Cai and Ollie Liu and Deqing Fu and Peng Guo and Wang Bill Zhu and Vatsal Sharan and Robin Jia and Willie Neiswanger and Furong Huang and Tom Goldstein and Micah Goldblum},
      year={2025},
      eprint={2507.16746},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2507.16746}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Класс архитектуры
ChameleonForConditionalGeneration
Ревизия весов
a93d885

0 моделей