/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
13 сен 2026

Video-HopChain-8B

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная Qwen3-VL-8B модель для анализа видео и ответов на вопросы, требующие многошагового рассуждения о событиях в видеоряде.

198скачиваний за 30 дней1лайквеса обновлены1 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

Video-HopChain-8B — мультимодальная модель для ответов на вопросы по видео, разработанная на основе Qwen3-VL-8B-Instruct. Её обучили в два этапа методом GRPO: сначала на смеси видеовопросов общего назначения, затем на наборе Video-HopChain с методом Confidence-Gated Exploration. Это чекпойнт global_step_10 второго этапа, представленный в исследовании Video-HopChain.

Модель предназначена для анализа видеоряда и решения вопросов, требующих связать несколько событий или фактов из видео. В описанной конфигурации обучение включало видео до 140 кадров на втором этапе; оценивание проводилось при 100 кадрах на видео. В метаданных указан английский язык. Модель использует архитектуру Qwen3-VL с 8 млрд параметров, унаследованную от базовой модели.

В оценках авторов модель показала улучшение среднего результата на перечисленных видеобенчмарках относительно исходной Qwen3-VL-8B-Instruct, а на отложенной выборке Video-HopChain получила 16,4% точности. Ограничения: проверена только одна размерность модели; датасет синтетический и сверялся с подписями, а не непосредственно с кадрами, поэтому ошибки подписей могут попадать в ответы. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о событиях в видео
  • поиск причинно-временных связей между событиями в ролике
  • многошаговое рассуждение по видеоряду
  • оценка моделей на бенчмарках понимания видео

Ограничения

Модель оценивалась только в одном масштабе. Датасет синтетический и проверялся по подписям, а не по видеокадрам, поэтому ошибки в подписях могут попадать в обучающие метки.

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

Video-HopChain-8B

Qwen3-VL-8B-Instruct trained with GRPO in two stages, first on a general video question answering mixture and then on Video-HopChain with Confidence-Gated Exploration (CGE). This is Video-HopChain-8B, the "+ standard RL + Video-HopChain + CGE" row of Table 1 in the paper, at global_step_10 of the second stage.

Results

Accuracy in percent, evaluated with lmms-eval at 100 frames per video under one setting for every row. "In-domain" is the 1,000-question held-out Video-HopChain split.

ModelVideo-MMEPerceptionCompVideo-MMMUVideo-HolmesVCRBenchMMR-VLongVideo-ReasonVRBenchmeanin-domain
Qwen3-VL-8B-Instruct64.028.163.540.732.042.772.674.752.313.4
+ standard RL65.834.363.047.435.943.476.177.655.413.4
+ standard RL + CGE67.934.462.548.535.146.478.879.556.616.4
+ standard RL + Video-HopChain68.636.264.748.642.145.977.879.457.921.2
this model69.237.467.548.644.946.678.981.059.323.2

VCRBench is reported on its multiple-choice subset.

Usage

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "ngqtrung/Video-HopChain-8B", dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("ngqtrung/Video-HopChain-8B")

The weights are BF16. The model was trained to reason inside <think>...</think> and to put the final answer in <answer>\boxed{...}</answer>, so use the same system prompt as training. It is in the dataset rows and in the repository.

Training

Confidence-Gated Exploration recovers zero-variance groups in GRPO (also called advantage collapse). With 8 rollouts per question, CGE draws the first 4 normally. If those 4 are all correct or all incorrect, the group carries no reward variance and no gradient, so CGE draws the last 4 with the policy's top token masked wherever its probability exceeds tau = 0.95, inside the reasoning span only. The masked positions are dropped from the loss while all 8 rollouts enter the group advantage, so the method spends no extra rollouts.

Base modelQwen3-VL-8B-Instruct
Stage 1GRPO on a 105,993-row general video QA mixture, 24 frames
Stage 2GRPO + CGE on Video-HopChain, 22,550 rows, 140 frames
Rollouts per question8: the first 4 as usual, the last 4 under the mask
Mask threshold0.95, reasoning span only
Rewardexact match on the integer sum, plus a format term
Hardware4 nodes of 8 H100 80GB, asynchronous verl trainer

Appendix C of the paper gives every hyperparameter.

Limitations

Evaluated at one model scale only. The dataset is synthetic and verified against captions rather than against the frames, so a caption error can reach a label. The paper reports both limitations, together with the exploration settings that we did not ablate.

Citation

@misc{nguyenquang2026videohopchain,
  title         = {Video-HopChain: Multi-Hop Questions and Confidence-Gated Exploration for Video Reasoning Models},
  author        = {Nguyen Quang, Trung and Dong, Yuhao and Sun, Shuo and Liu, Shuai and Tian, Shulin and Yap, Kim-Hui and Liu, Ziwei},
  year          = {2026},
  eprint        = {2609.25773},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV},
  url           = {https://arxiv.org/abs/2609.25773}
}

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
d7051e5

0 моделей