/ 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

video-8b-grpo-base

Изображение и текст → текст3 профессии

Исследовательская мультимодальная модель на базе Qwen3-VL-8B-Instruct для ответов с выбором варианта на вопросы по видео.

23скачиваний 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

Qwen3-VL-8B Video-MC GRPO — исследовательский чекпойнт, созданный ngqtrung для ответов на вопросы с выбором варианта по видео. Это дообучение Qwen/Qwen3-VL-8B-Instruct методом GRPO с обучением по визуально-языковым вознаграждениям; модель принимает видео и текстовый вопрос и формирует текстовый ответ. В эксперименте использовались ролики, представленные 24 кадрами, и данные для VideoMME-v1, PerceptionComp и Video-Holmes. Для чекпойнта global_step_80 указана средняя точность 0,4918 на объединённой валидации из 5645 примеров; улучшение относительно базовой модели особенно заметно на PerceptionComp.

Модель предназначена для множественного выбора по видео и может применяться для исследования мультимодального рассуждения и оценки понимания видеосодержимого. Автор сообщает, что после шага 80 качество колебалось около плато 0,485, поэтому результаты не следует считать универсальным уровнем качества на других данных. Чекпойнт не проходил дополнительное выравнивание безопасности или RLHF сверх базовой модели. Лицензия — Apache-2.0.

Сценарии применения

  • ответы с выбором варианта на вопросы по видеоролику
  • сравнение понимания видео на тестах VideoMME и Video-Holmes
  • оценка видеорассуждений на наборах вопросов с вариантами ответа

Ограничения

На указанных тестах точность ограничена примерно уровнем 0,485–0,492, а после шага 80 дальнейшего устойчивого улучшения не наблюдалось. Модель не имеет дополнительного выравнивания безопасности сверх базовой модели; перенос результатов на другие наборы данных не подтверждён.

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 · Video-MC · GRPO baseline (cold-start) — best video keeper

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on multiple-choice video QA with fully-async GRPO, cold-started from the stock 8B-Instruct. This is experiment_name=grpo_video_4node_full_v3_24f100k_8b_base_perf, global_step_80 (the keeper).

This is the best video checkpoint of the 8B campaign. Cold-start base RL reaches offline full-set val mean_accuracy 0.4918 @ step 80 (full set = 5645 rows: VideoMME-v1 2700 + PerceptionComp 1108 + Video-Holmes 1837). It catches the SFT-770-warmstart sibling by step 80 and tracks it thereafter — confirming SFT warm-start buys no durable video val advantage. RL itself clears the zero-shot base (0.4444) by +4.7 pt, but no lever moves above the ~0.485 ceiling.

Results

Offline full-set eval (VideoMME-v1 2700 + PerceptionComp 1108 + Video-Holmes 1837 = 5645 rows), scored with the repo's vero compute_score (the exact training val metric). mean = macro-mean of the 3 bench accuracies.

Keeper = global_step_80 (peak):

metricmeanvideommeholmesperceptioncomp
base RL @80 (keeper)0.49180.65810.47410.3430
stock Qwen3-VL-8B ckpt-0 (zero-shot)0.44440.64260.41430.2762

Trajectory (mean): 0.430 @20 → 0.475 @40 → 0.479 @60 → 0.492 @80 → then oscillates tightly 0.475–0.485 around ~0.484 through step 240 (flat plateau, no upward trend, no collapse). RL's gain concentrates where the base is weakest (pcomp 0.276→0.343); videomme is already strong at base and barely moves.

Training

  • Base model: stock Qwen/Qwen3-VL-8B-Instruct (cold-start RL, resume_mode=auto).
  • Framework: fork of volcengine/verl — ngquangtrung57/verl@videorl-mods. Fully-async GRPO: FSDP2 trainer + vLLM rollouter, partial rollout.
  • Warm start: none (cold-start). This run is the A/B ablation vs the SFT-770-warmstart run.
  • Reward: dapo-style score = 0.8·accuracy + 0.2·format (FORMAT_WEIGHT=0.2, FORMAT_MIN_THINK_CHARS=100). No KL penalty.
  • Exploration: OFF.
  • 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.
  • Data: GROUP_VIDEO_TRAIN_MC_24F100K (5 video-MC parquets, 105,993 prompts/epoch, 24 frames / 100k pixels).
  • Optim / seq: lr 1e-6, warmup 25 steps; total_epochs=2; clip_ratio 0.2 / 0.3 (clip_c=10.0); max_prompt_length=17408, max_response_length=16384; enforce_eager=true; gpu_memory_utilization=0.75; staleness 0.4.
  • Validation: inline val OFF (test_freq=10000); all video val is offline full-set eval on a dedicated 8×H100 node (vLLM TP1, data-parallel), every 20 fit-steps.
  • Train metrics: ~215 s/step; final reward 0.854; final response_length ~92 tok; 250 steps trained (stopped at fit-step ~251 by planned cutover to the exploration run). Zero crashes in ~15 h.

W&B

Project verl_fully_async (entity quangtrung5705-nanyang-technological-university-singapore). Main segment (train metrics only — video val is offline, not on W&B): https://wandb.ai/quangtrung5705-nanyang-technological-university-singapore/verl_fully_async/runs/mwuxsj29

Intended use / limitations

Research checkpoint — the best video keeper of an 8B controlled study, but note the headline finding: 8B video-MC RL is a documented 7-way dead-heat at ~0.485 full-set val. No lever tested (SFT warm-start, cold-base RL, exploration at several τ, larger GRPO groups) beats this ceiling; the bottleneck is outside the exploration/warm-start/RL-duration space (data / reward / task design / model scale). RL does buy a real +4-5 pt over the zero-shot base. Multiple-choice video QA, <think>…</think> then-answer format. No safety/RLHF alignment beyond the base.

Usage

from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "ngqtrung/video-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": "video", "video": "clip.mp4"},
        {"type": "text", "text": "Answer the multiple-choice question. Reason inside <think>...</think>, then give the final letter."},
    ],
}]
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=1024)
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 cold-start video baseline arm and the best video keeper (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
0396289

0 моделей