/ 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-n16-noexplore

Компьютерное зрениеВидео, текст → текст3 профессии

Чекпойнт Qwen3-VL-8B, дообученный методом GRPO для ответов на вопросы с вариантами ответа по видео.

22скачиваний 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

Модель ngqtrung/video-8b-grpo-n16-noexplore — исследовательский чекпойнт на базе мультимодальной Qwen/Qwen3-VL-8B-Instruct, дообученный методом GRPO в режиме RLVR на задачах с вопросами и вариантами ответа по видео. Обучение проводилось на корпусе video v3 24f100k с размером группы 16; опубликован чекпойнт global_step_40 без исследования альтернатив при генерации.

Модель предназначена для ответов на вопросы о содержании видео и выбора правильного варианта ответа. В описанной оценке она получила среднюю точность 0,4879 на 5 645 примерах; результаты для VideoMME, Video-Holmes и PerceptionComp составили соответственно 0,6570, 0,4692 и 0,3375. Результаты измерены по протоколу до изменения процедуры оценки и могут быть несопоставимы с более поздними оценками.

Модель принимает видео и текстовые вопросы, выдаёт текстовые ответы. Архитектура — плотная Qwen3-VL с 8 млрд параметров; базовая модель также поддерживает анализ изображений, OCR и визуальное рассуждение, однако карточка описывает дообучение именно для видео QA. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы с вариантами ответа по видеоролику
  • проверка понимания событий и деталей видео
  • оценка видеомоделей на наборах VideoMME и Video-Holmes

Ограничения

Оценка охватывает конкретный протокол и наборы видео QA; результаты, полученные по другому протоколу, напрямую несопоставимы. В README отмечено, что преимущество относительно контрольной версии с исследованием при генерации укладывается в шум 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-n16-noexplore

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on multiple-choice video QA with fully-async GRPO at rollout.n = 16, no exploration. Keeper = global_step_40.

Why this checkpoint is published

It is the paired no-exploration control for ngqtrung/video-8b-grpo-n16-warm-explore, the campaign's highest score. The pair is the whole point: same corpus, same group size, same step, one variable.

core-3 @40
n16 + exploration (published sibling)0.4942
this control, no exploration0.4879
difference+0.63 pt for exploration

That 0.63 pt sits inside the campaign's own noise — the top five checkpoints span 1.0 pt on the same 5,645 rows. Publishing the control is what lets anyone check that for themselves rather than taking the winner's margin at face value.

Evaluation

core-3 = 5,645 rows, num_failed = 0.

mean_accuracyVideoMMEVideo-HolmesPerceptionComp
gs400.48790.65700.46920.3375
stock base0.44260.64040.40660.2807

Protocol caveat. Measured before 2026-08-23, without <think> prefill at eval time, so format reads 0.0. Internally consistent; do not mix with prefill-era numbers.

Training setup

algorithmGRPO, fully-async (verl fork), no exploration
corpusvideo v3 24f100k, multiple-choice video QA
group sizerollout.n = 16
topology4 nodes, 2 trainer + 2 rollout

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
01df481

0 моделей