/ 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
29 сен 2026

Video-HopChain-8B-Standard-RL

Компьютерное зрениеВидео, текст → текст3 профессии

Промежуточная модель Qwen3-VL-8B, дообученная методом GRPO для ответов на вопросы и многошагового рассуждения по видео.

60скачиваний за 30 дней0лайковвеса 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-Standard-RL — промежуточный чекпойнт проекта Video-HopChain, созданный автором ngqtrung на базе Qwen3-VL-8B-Instruct. Это плотная мультимодальная модель Qwen3-VL с 8 млрд параметров, дообученная методом GRPO на смеси из 105 993 примеров вопросов и ответов по видео; при обучении использовалось 24 кадра на видео. Чекпойнт не обучался на данных Video-HopChain и не использовал Confidence-Gated Exploration.

Модель предназначена для ответов на вопросы по видео и многошагового видеорассуждения. Её можно использовать как базовый этап для дальнейших запусков обучения, как baseline в сравнительных экспериментах и для воспроизведения результатов таблицы 1 статьи. В оценке авторов она получила средний результат 55,4% по указанным бенчмаркам; финальная модель проекта показала 59,3%. Для оценки применялись до 100 кадров на видео и контекст до 33 792 токенов.

Модель принимает видео и текстовые вопросы и генерирует текстовые ответы. Карточка указывает английский язык. Распространяется по лицензии Apache-2.0. Это чекпойнт первого этапа обучения, поэтому он не включает обучение на целевом наборе Video-HopChain и уступает финальной модели проекта по приведённым результатам.

Сценарии применения

  • ответы на вопросы о содержании видео
  • многошаговое рассуждение по событиям в видео
  • сравнительная оценка моделей видеопонимания
  • воспроизведение экспериментов по обучению Video-HopChain
  • стартовый чекпойнт для последующего дообучения видеомодели

Ограничения

Это чекпойнт первого этапа: он не обучался на данных Video-HopChain и не использовал Confidence-Gated Exploration. В результатах авторской оценки он уступает финальной модели Video-HopChain-8B.

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-Standard-RL

This is the stage-1 checkpoint of Video-HopChain. It is Qwen3-VL-8B-Instruct trained with GRPO on a 105,993-row general video QA mixture (LLaVA-Video 72,421, STAR 11,455, CLEVRER 8,220, NExT-QA 7,549, PerceptionTest 6,348) at 24 frames, taken at step 80. It saw no Video-HopChain data and used no Confidence-Gated Exploration (CGE). It is the "+ standard RL" row of Table 1 in the paper. Use it as the starting point of both second-stage runs, including ngqtrung/Video-HopChain-8B, as a baseline, or to reproduce Table 1.

Results

Accuracy in percent, evaluated with lmms-eval at 100 frames per video under one setting for every row: at most 501,760 pixels per frame, a 33,792-token context, and at most 16,384 generated tokens. "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
this model (+ standard RL)65.834.363.047.435.943.476.177.655.413.4
Video-HopChain-8B (final)69.237.467.548.644.946.678.981.059.323.2

VCRBench is reported on its multiple-choice subset.

Usage

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

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

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.

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
60f331a

0 моделей