/ 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-ppexplore

Изображение и текст → текст3 профессии

Экспериментальная Qwen3-VL на 8 млрд параметров для ответов на вопросы с вариантами выбора по видео, дообученная методом GRPO с исследовательским token-dropout.

40скачиваний за 30 дней1лайквеса 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

Экспериментальный исследовательский чекпойнт ngqtrung для ответов на вопросы по видео с выбором из нескольких вариантов. Модель основана на Qwen/Qwen3-VL-8B-Instruct и дообучена методом GRPO с исследовательским механизмом token-dropout ppexplore; архитектура — плотная Qwen3-VLForConditionalGeneration, размер — 8 млрд параметров. Принимает видео и текстовые вопросы, выдаёт текстовый ответ; в эксперименте использовались ролики с выборкой до 24 кадров и пределом 100 тыс. пикселей.

Карточка описывает оценку на VideoMME-v1, Video-Holmes и PerceptionComp, но не указывает языки помимо английского в метаданных и не приводит отдельный контекстный лимит. На этих тестах точность составила около 0,489 в среднем; преимущество исследовательского механизма перед базовой моделью не обнаружено. Чекпойнт предназначен для сравнения методов обучения, а не позиционируется как улучшенная видеомодель. Лицензия — Apache-2.0; по README модель не имеет дополнительного выравнивания безопасности или RLHF сверх базовой модели.

Сценарии применения

  • ответы на вопросы с выбором варианта по видеоролику
  • оценка понимания видео на наборах VideoMME и Video-Holmes
  • сравнение методов GRPO и token-dropout для видеовопросов

Ограничения

На описанных тестах точность около 0,489; ppexplore не дал выигрыша над базовой моделью, а дальнейшее обучение после пика не улучшило валидацию. Модель 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 · Video-MC · GRPO + ppexplore (τ0.95, cold-start)

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on multiple-choice video QA with fully-async GRPO and an entropy-aware token-dropout exploration ("ppexplore", τ=0.95) at the rollout stage, cold-started from the stock 8B-Instruct. This is experiment_name=grpo_video_4node_full_v3_24f100k_8b_base_ppexplore_v1, global_step_140 (the keeper).

On video, exploration is a WASH: cold-start ppexplore (τ0.95) peaks at offline full-set val mean_accuracy 0.4890 @ step 140 — statistically tied with the cold-start base (0.4918) and SFT-770 warmstart (0.4845). The token-dropout exploration that won +4.6 pt on OMR delivers no gain on video; this run sits in the same ~0.485 dead-heat band.

Results

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

Keeper = global_step_140 (peak):

metricmeanvideommeholmesperceptioncomp
ppexplore τ0.95 @140 (keeper)0.48900.6560.4650.346
cold-base RL keeper @80 (sibling)0.49180.6580.4740.343
SFT-770 RL keeper @180 (sibling)0.48450.6570.4510.345
stock Qwen3-VL-8B ckpt-0 (zero-shot)0.44440.64260.41430.2762

Trajectory (mean): 0.451 @20 → 0.470 @40 → 0.477 @60 → 0.488 @100 → 0.489 @140 → faded late (0.477 @200, 0.480 @260). Ran to ~step 780 (near 2 epochs); further training brought no val gain — same post-peak fade as every other video run. ppexplore's lower train reward did not translate to higher val.

Training

  • Base model: stock 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 base).
  • Reward: dapo-style score = 0.8·accuracy + 0.2·format (FORMAT_WEIGHT=0.2, FORMAT_MIN_THINK_CHARS=100). No KL penalty.
  • 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, 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.
  • Exploration block (entropy-aware token-dropout at rollout; byte-identical to the OMR-winner τ0.95 block):
keyvalue
enabletrue
trigger_modehigh
top_prob_threshold (τ)0.95
k_explore4 (of n=8 rollouts explore; 4 stay clean)
prompt_exploration_prob0.5
deterministictrue
perturb_prob1.0
mask_from_losstrue
drop_top_k1
restrict_to_think_regiontrue
selection_seed42
  • Validation: inline val OFF (test_freq=10000); video val is offline full-set eval on a dedicated 8×H100 node (vLLM TP1), every 20 fit-steps.
  • Train metrics: ~219 s/step; final reward 0.858; final response_length ~164 tok; 780 steps trained (~2 epochs).

W&B

Project verl_fully_async (entity quangtrung5705-nanyang-technological-university-singapore). Train metrics only — video val is offline, not on W&B: https://wandb.ai/quangtrung5705-nanyang-technological-university-singapore/verl_fully_async/runs/88lmybpk

Intended use / limitations

Research checkpoint — the cold-start exploration arm of an 8B video study. Headline finding: on video, exploration is a documented dead-heat — the OMR-winning recipe applied to video does not break the ~0.485 full-set val ceiling (this run, base, SFT-warmstart, and several further exploration ablations all land ~0.485-0.49). Useful as an A/B reference, not as a "better video model" — prefer video-8b-grpo-base (0.4918) if you just want the best keeper. 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-ppexplore"
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).
  • Method: entropy-aware token-dropout exploration ("ppexplore", τ=0.95) at the rollout stage. Part of a controlled OMR/Video exploration study on Qwen3-VL-8B (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
28073d5

0 моделей