/ 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-warm-explore

Компьютерное зрениеВидео, текст → текст3 профессии

Экспериментально дообученная Qwen3-VL-8B для ответов на вопросы с вариантами ответа по видео.

18скачиваний 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 выпустил экспериментальный чекпойнт Qwen3-VL-8B-Instruct, дообученный методом RLVR с GRPO для ответов на вопросы по видео с выбором из нескольких вариантов. Обучение продолжено с контрольной точки базового RL-прогона и включало исследовательский token-dropout с учётом энтропии. Модель принимает видео и текстовые вопросы и формирует текстовые ответы; её основное назначение — видео-ориентированный QA.

В README сообщается о пиковом среднем результате 0,4942 на объединённой оценке VideoMME-v1, Video-Holmes и PerceptionTest-comp на шаге 40. Этот результат является кратковременным пиком: позднее качество снизилось, а преимущество exploration над контрольным прогоном менялось и исчезало. Модель распространяется под лицензией Apache-2.0. Для загрузки указаны AutoProcessor и AutoModelForImageTextToText из Transformers.

Сценарии применения

  • ответы на вопросы с выбором варианта по видео
  • оценка понимания содержания видеороликов
  • анализ видео на тестах VideoMME
  • сравнение ответов модели на бенчмарках видео-QA

Ограничения

README описывает результат как кратковременный пик: последующие контрольные точки показывали снижение качества, а преимущество перед контрольным прогоном было нестабильным. Оценка приведена для трёх бенчмарков и не гарантирует качество на других видео или задачах.

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-warm-explore

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on multiple-choice video QA with fully-async GRPO plus entropy-aware token-dropout exploration, warm-started from the cold-start base RL control at its step 60.

This is the highest offline full-set score of the 8B video campaign: mean_accuracy 0.4942 @ step 40. It edges the previous best (video-8b-grpo-base @ 80, 0.4918) by +0.24 pt, and beats its own paired no-exploration control by +0.63 pt at the same step.

Keeper = global_step_40 (peak).

Offline evaluation

Full set = 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 benchmark accuracies.

checkpointmean_accVideoMMEVideo-HolmesPerceptionComp
n16 warm+explore @40 (keeper)0.49420.67040.47740.3348
n16 warm+explore @200.49410.66040.48070.3412
n16 no-explore control @40 (paired)0.48790.65700.46920.3375
cold-base RL keeper @80 (sibling)0.49180.65810.47410.3430
stock Qwen3-VL-8B (zero-shot)0.44260.64040.40660.2807

Read this before using the number

Three caveats, stated because they change how the result should be interpreted.

  1. It is a transient peak, not a plateau the run held. Steps 20 and 40 are 0.4941 and 0.4942, then the run declines monotonically to 0.4622 @ 140. Its paired advantage over the control goes +1.3 pt → −1.8 pt across the same span. Later checkpoints of this run are worse than doing nothing.
  2. The step axis is warm-started. Training resumed from the control's global_step_60, so "step 40" is roughly gs100 cumulative. It is not comparable on training budget to video-8b-grpo-base @ 80, which sits on an absolute cold-start axis.
  3. The margin is inside the campaign's own noise. The top five checkpoints of this campaign span 1.0 pt (0.4942 / 0.4918 / 0.4913 / 0.4890 / 0.4879) on the same corpus and the same 5,645 rows. Across the wider campaign, exploration on video is best described as a wash — see the sibling cards, which reach the same conclusion from different arms.

Training setup

baseQwen/Qwen3-VL-8B-Instruct
initwarm from cold-start base RL global_step_60
algorithmGRPO, fully-async (verl fork)
corpusvideo v3 24f100k, multiple-choice video QA
group sizerollout.n = 16, k_explore = 8
explorationentropy-aware token dropout, tau 0.8
rewardaccuracy + format
topology4 nodes, 2 trainer (dp 16) + 2 rollout (TP 2, 8 vLLM replicas)

Sibling checkpoints

Same corpus, same 5,645-row evaluation, directly comparable:

Usage

from transformers import AutoProcessor, AutoModelForImageTextToText

model_id = "ngqtrung/video-8b-grpo-n16-warm-explore"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, dtype="auto", device_map="auto")

The checkpoint is a merged FSDP export: weights, tokenizer and processor are all present, so it loads directly in vLLM as well.

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
e95befd

0 моделей