/ 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
22 июн 2026

omr-8b-grpo-base

Изображение и текст → текст3 профессии

Экспериментальный чекпойнт Qwen3-VL, дообученный GRPO для математического рассуждения по изображениям и визуального вопросно-ответного анализа.

17скачиваний за 30 дней0лайковвеса обновлены22 июн 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

ngqtrung/omr-8b-grpo-base — экспериментальный исследовательский чекпойнт, созданный дообучением Qwen/Qwen3-VL-8B-Instruct методом GRPO на данных OpenMMReasoner для математического и визуального рассуждения. Модель принимает изображения и текстовые запросы и формирует текстовые ответы на задачи визуального вопросно-ответного формата.

Чекпойнт global_step_25 показал точность 0,668 на совокупной валидации из шести наборов OMR; обучение без исследования вариантов ответа было нестабильным, а качество упало до 0,499 к шагу 125. Модель предназначена прежде всего для исследовательского сравнения в контролируемом эксперименте, а не для надёжного применения. Распространяется под лицензией Apache-2.0.

Сценарии применения

  • ответы на математические вопросы по изображениям
  • визуальное рассуждение над задачами из диаграмм и графиков
  • оценка методов GRPO на наборах визуально-математических задач

Ограничения

Обучение без исследования вариантов ответа нестабильно: метрика на валидации снизилась с 0,668 на шаге 25 до 0,499 на шаге 125. Чекпойнт предназначен главным образом для исследовательского сравнения и не имеет дополнительного выравнивания безопасности сверх базовой модели.

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

Qwen3-VL-8B · OMR · GRPO baseline (cold-start)

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on the OMR (OpenMMReasoner, math/visual-reasoning) data with fully-async GRPO, cold-started from the stock 8B-Instruct (no exploration, no warm-start). This is experiment_name=grpo_omr_4node_full_v1_8b_base_perf, global_step_25 (the keeper).

This is the OMR cold-start GRPO baseline. It peaks at OMR overall-6 val accuracy 0.668 @ step 25, then collapses to 0.499 by step 125 — cold-start RL on 8B-OMR is unstable without exploration. The keeper is global_step_25, the only checkpoint before degradation began. (The omr-8b-grpo-ppexplore sibling fixes this collapse and reaches 0.714.)

Results

OMR 6-image inline validation (mmmu val, mathvista testmini, mathverse testmini Text-Dominant, wemath testmini, charxiv reasoning-qa, dynamath test). overall-6 = unweighted mean. Metric = accuracy.

Keeper = global_step_25 (peak):

metricoverall-6mmmumathvistamathversewemathcharxivdynamath
baseline peak @250.66810.63110.80190.84040.74370.39300.5986
stock Qwen3-VL-8B ckpt-00.6590.6290.8110.8240.7230.3960.570
baseline @125 (collapse)0.49940.50210.67960.69950.61840.20100.2958

Full trajectory (overall-6): 0.668 @25 → 0.644 @50 → 0.620 @75 → 0.620 @100 → 0.499 @125 (monotone decline; the step-125 drop is catastrophic — charxiv halved, dynamath collapsed). Run died to a vLLM deepstack crash after step 125, but the model was already degrading.

Training

  • Base model: Qwen/Qwen3-VL-8B-Instruct (cold-start, resume_mode=auto).
  • Framework: fork of volcengine/verl — ngquangtrung57/verl@videorl-mods. Fully-async GRPO: FSDP2 trainer + vLLM rollouter.
  • Warm start: none (cold-start from stock 8B-Instruct).
  • Reward: dapo-style score = 0.8·accuracy + 0.2·format (FORMAT_WEIGHT=0.2, FORMAT_MIN_THINK_CHARS=100). No KL penalty.
  • Exploration: OFF (this is the bitwise baseline against omr-8b-grpo-ppexplore).
  • Topology: 4-node 2+2 — 2 trainer nodes (16-GPU FSDP2, dp=16) + 2 rollout nodes (16 GPU, vLLM TP=2 → 8 replicas). H100×8 per node.
  • Batch: ppo_mini_batch_size=16 × require_batches=4 × rollout.n=8 = 512 trajectories/step.
  • Optim / seq: lr 1e-6, warmup 25 steps; total_epochs=2; clip_ratio 0.2 / 0.3 (clip_c=10.0); max_prompt_length=2048, max_response_length=16384; enforce_eager=true; gpu_memory_utilization=0.75; staleness 0.5.
  • Train metrics: ~178 s/step; final reward 0.721; final response_length ~2194 tok; 125 steps trained.

W&B

Project verl_fully_async (entity quangtrung5705-nanyang-technological-university-singapore): https://wandb.ai/quangtrung5705-nanyang-technological-university-singapore/verl_fully_async/runs/gkiiopep

Intended use / limitations

Research checkpoint — the cold-start GRPO baseline in a controlled exploration study. Useful mainly as the A/B reference for omr-8b-grpo-ppexplore (the winner). It only marginally beats the zero-shot base (0.668 vs 0.659) at its peak and is unstable (collapses to 0.499 if trained past ~step 100); for actual use prefer the ppexplore checkpoint. Math / visual-reasoning image QA, <think>…</think> then-answer format. No safety/RLHF alignment beyond the base.

Usage

from transformers import AutoModelForImageTextToText, AutoProcessor
from PIL import Image

model_id = "ngqtrung/omr-8b-grpo-base"
model = AutoModelForImageTextToText.from_pretrained(model_id, dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": Image.open("problem.png")},
        {"type": "text", "text": "Solve the problem. Think step by step inside <think>...</think>, then give the final answer."},
    ],
}]
inputs = processor.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True,
    return_dict=True, return_tensors="pt"
).to(model.device)
out = model.generate(**inputs, max_new_tokens=2048)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

Citation / lineage

  • Base model: Qwen3-VL-8B-Instruct (Qwen team). Inherits the Qwen3-VL license — review the base model's terms; the Apache-2.0 tag refers to this repo's RLVR training artifacts.
  • Framework: verl (volcengine/verl), fork ngquangtrung57/verl@videorl-mods; fully-async GRPO (FSDP2 + vLLM).
  • Study: controlled OMR/Video exploration study on Qwen3-VL-8B; this is the no-exploration OMR baseline arm (docs/experiments_summary_8b.md).

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
bcca081

0 моделей