/ 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
26 авг 2026

video-8b-grpo-hopchain-v40-vript-gs160

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная Qwen3-VL-8B для ответов на вопросы с вариантами выбора по видео и многошагового анализа событий.

21скачиваний за 30 дней0лайковвеса обновлены26 авг 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/video-8b-grpo-hopchain-v40-vript-gs160 — дообученная мультимодальная модель Qwen3-VL-8B-Instruct, опубликованная как контрольный чекпойнт стабильного обучения GRPO для видеоответов с многошаговым рассуждением. Она предназначена для ответов на вопросы с вариантами выбора по видео и анализа нескольких связанных событий или фактов в видеоряде. Обучение проводилось на смеси HopChain v4.0 и Vript: 25 975 примеров с 6 657 видео и выборкой до 140 кадров. Модель использует архитектуру Qwen3-VL и принимает видео и текстовые запросы, выдавая текстовые ответы.

В указанной авторами оценке на 5 645 примерах средняя точность составила 0,4800; авторы отмечают устойчивость обучения и отсутствие коллапса, но результат не является лучшим в серии экспериментов. Приведённые оценки получены по протоколу без prefill при оценивании, поэтому их нельзя напрямую сравнивать с результатами по более позднему протоколу. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

  • ответы на вопросы с вариантами выбора по видео
  • поиск событий и фактов в длинном видео
  • многошаговое рассуждение по содержимому видеоролика

Ограничения

Модель обучена для видеоответов с вариантами выбора; приведённые авторами метрики получены без prefill при оценивании и не сопоставимы напрямую с результатами по более позднему протоколу. Авторы отмечают, что результат ниже лучшего диапазона кампании.

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-8b-grpo-hopchain-v40-vript-gs160

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on multiple-choice video QA with fully-async GRPO — no exploration — on the HopChain v4.0 multi-hop + Vript corpus, with <think> prefill.

Keeper = global_step_160, the peak of the run.

Why this checkpoint is published

Not because it is the campaign's best score — it is not. It is published because it is the campaign's clearest example of a stable RL run, and it is the plain-GRPO control for an exploration arm that collapsed on the same corpus and the same initialisation.

core-3note
this checkpoint @1600.4800peak of a flat, non-collapsing run
same run @200 (final)0.4743still above base after 200 steps
same run, range over 21 evals0.4640-0.4800no collapse anywhere
exploration sibling @50 (peak)0.4742same corpus, same init
exploration sibling @1000.4222below the untrained base
stock Qwen3-VL-8B0.4426zero-shot

The sibling run peaks earlier and higher-variance, then falls 5.2 points below its own peak and 2.0 points below doing nothing at all. This run does not. That contrast — plain GRPO stable, exploration collapsing, one corpus — is the reason both are worth having on the Hub.

Evaluation

core-3 = 5,645 rows: VideoMME-v1 2,700 + Video-Holmes 1,837 + PerceptionTest-comp 1,108. num_failed = 0. mean_accuracy is the unweighted macro mean of the three.

mean_accuracyVideoMMEVideo-HolmesPerceptionComp
gs1600.48000.65810.43440.3475
stock base0.44260.64040.40660.2807

Protocol caveat. These numbers predate 2026-08-23 and were measured without <think> prefill at eval time, so format reads a uniform 0.0 and accuracy is understated relative to how the model was trained. They are internally consistent — every row in the table above shares the protocol — but do not compare them against prefill-era numbers from elsewhere.

Evaluation on Video-MMMU, VCRBench and MMR-V under the current protocol is in progress; this card will be updated when it lands.

Training setup

baseQwen/Qwen3-VL-8B-Instruct
algorithmGRPO, fully-async (verl fork), no exploration
corpusHopChain v4.0 multi-hop + Vript, 25,975 rows / 6,657 videos, 140 frames @ 50,176 px
prefillVERL_THINK_PREFILL=1 (graded think-format off)
topology6 nodes, 3 trainer (dp 24) + 3 rollout
trainingacc 0.4334 -> 0.5619, format 0.06 -> >=0.997 held for 55 h

Honest summary

Adding Vript to HopChain recovers the transfer loss of HopChain alone (which scored below base), but the result still sits under the campaign's 0.4845-0.4942 band. The value here is the stability and the controlled contrast, not the headline number.

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
5c8213d

0 моделей