/ 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-n16k8

Изображение и текст → текст3 профессии

Экспериментально дообученная Qwen3-VL-8B для ответов на вопросы с выбором варианта по видео.

15скачиваний 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-ppexplore-n16k8 — исследовательский чекпойнт мультимодальной модели для ответов на вопросы с выбором варианта по видео. Его разработали на основе Qwen/Qwen3-VL-8B-Instruct: модель прошла дообучение методом RLVR с асинхронным GRPO и исследовательским механизмом token dropout ppexplore; начальная точка обучения — чекпойнт SFT-770-RL global_step_60. Архитектура — плотная Qwen3-VL с 8 млрд параметров; веса опубликованы в формате safetensors.

Модель предназначена для video QA с вариантами ответа и форматом рассуждения с последующим ответом. В описанной офлайн-оценке на наборах VideoMME, Video-Holmes и PerceptionComp средняя точность трёх тестов достигла 0,4913 на global_step_80. Результат сопоставим с другими вариантами эксперимента и не показывает убедительного улучшения от увеличения группы GRPO. README не сообщает длину контекста и конкретный набор поддерживаемых языков; метаданные отмечают английский.

Это экспериментальная исследовательская модель, а не готовое универсальное решение. Оценка ограничена задачами видео-вопросов с выбором варианта, а в README указано, что у модели нет дополнительного выравнивания по безопасности или RLHF сверх базовой модели. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы с вариантами по содержанию видео
  • сравнение исследовательских подходов к видео-вопросам
  • оценка понимания видеосцен на наборах VideoMME и Video-Holmes

Ограничения

Точность на описанной офлайн-оценке составляет около 0,49 macro-accuracy; увеличение группы GRPO не дало убедительного выигрыша. Чекпойнт не проходил дополнительное выравнивание по безопасности или RLHF 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 (τ0.8, n16/k8 — group-size ablation)

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on multiple-choice video QA with fully-async GRPO and entropy-aware token-dropout exploration ("ppexplore", τ=0.8) at the rollout stage, using bigger GRPO groups (rollout.n=16, k_explore=8). Warm-started from the SFT-770-RL global_step_60 checkpoint. This is experiment_name=grpo_video_4node_full_v3_24f100k_8b_sft770_rl60_ppexplore_tau08_n16k8_v1, global_step_80 (the keeper).

Group-size ablation — also a WASH: bigger GRPO groups (n16/k8) peak at offline full-set val mean_accuracy 0.4913 @ step 80, then clean-fade. This ties the best-prior keeper (cold-base 0.4918) but does not break the ~0.485 video dead-heat. GRPO group size is not the missing lever — this run closes the 8B video group-size question (7-way dead-heat overall).

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_80 (peak):

metricmeanvideommeholmesperceptioncomp
τ0.8 n16/k8 @80 (keeper)0.49130.6530.4710.349
cold-base RL keeper @800.49180.6580.4740.343
τ0.95 sibling peak (n8/k4)0.4881———
τ0.8 sibling peak (n8/k4)0.4864———
stock Qwen3-VL-8B ckpt-0 (zero-shot)0.44440.64260.41430.2762

Trajectory (mean): 0.488 @20 → 0.490 @40 → 0.487 @60 → 0.491 @80 → clean monotone fade (0.481 @120, 0.473 @140), no collapse. (Step 100 eval skipped — reproducibly hung on one deterministic shard, step-100-specific not systemic.) Peak edges the n8 explore siblings by ~0.3 pt = within noise.

Training

  • Base model: Qwen/Qwen3-VL-8B-Instruct, warm-started from the SFT-770-RL run's global_step_60 (merged HF _merged/sft770_perf_gs60_hf, itself val 0.4814). Lineage: stock 8B → OMR-SFT-770 → video-RL gs60 → this run.
  • Framework: fork of volcengine/verl — ngquangtrung57/verl@videorl-mods. Fully-async GRPO: FSDP2 trainer + vLLM rollouter.
  • 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=16 = 1024 rollouts/fit-step (vs 512 at n=8; bigger GRPO groups = 8 explore + 8 anchor per selected prompt).
  • 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. No OOM at the 256-traj actor update (token-bounded micro-batch held).
  • Exploration block (entropy-aware token-dropout at rollout; τ=0.8 with larger groups):
keyvalue
enabletrue
trigger_modehigh
top_prob_threshold (τ)0.8
k_explore8 (of n=16; 8 explore + 8 anchor)
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 H100 node (vLLM TP1), every 20 fit-steps.
  • Train metrics: ~445 s/step (vs ~290 at n=8 — the bigger groups cost ~55% more wall-clock); reward → ~0.88; response_length ~250 tok; format ~1.0; no OOM/collapse. Stopped by user at fit-step ~106/781 (verdict clear).

W&B

Project verl_fully_async (entity quangtrung5705-nanyang-technological-university-singapore). The logical run has three crash-resume segments (vtlkaq8u, iwwcf7do, hb4vi5h3); the last/most-complete (hb4vi5h3) carries the curated label. Train metrics only — video val is offline, not on W&B: https://wandb.ai/quangtrung5705-nanyang-technological-university-singapore/verl_fully_async/runs/hb4vi5h3

Intended use / limitations

Research checkpoint — the group-size ablation arm of an 8B video study. Headline finding: bigger GRPO groups (n16/k8) do not break the ~0.485 video dead-heat (peak 0.4913 ties the best keeper then fades). With this run, seven levers (SFT warmstart, cold-base RL, cold exploration, base-warm explore, SFT-warm explore τ0.95, SFT-warm explore τ0.8, and this τ0.8 n16/k8) all peak ~0.485-0.49 — the video ceiling is bound by something outside the exploration / warm-start / RL-duration / τ / group-size space. 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-n16k8"
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.
  • Warm start: SFT-770-RL global_step_60 (lineage: stock 8B → OMR-SFT-770 → video-RL gs60).
  • Framework: verl (volcengine/verl), fork ngquangtrung57/verl@videorl-mods; fully-async GRPO (FSDP2 + vLLM).
  • Method: entropy-aware token-dropout exploration ("ppexplore", τ=0.8) with enlarged GRPO groups (n=16, k_explore=8). Group-size ablation in 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
6d90f81

0 моделей