/ 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-sft770

Изображение и текст → текст3 профессии

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

14скачиваний 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

ngqtrung/video-8b-grpo-sft770 — экспериментальная версия Qwen3-VL-8B-Instruct, дообученная методом GRPO для ответов на вопросы с выбором варианта по видео. Модель принимает видеокадры и текстовый запрос и генерирует текстовый ответ; обучение проводилось на наборе видеозаданий с несколькими вариантами ответа. Базовая модель была предварительно дообучена на данных визуальных рассуждений OpenMMReasoner, а затем использована как стартовая точка для видео-ориентированного RLVR-обучения.

В офлайн-оценке на VideoMME-v1, PerceptionComp и Video-Holmes средняя точность контрольной версии составила 0,4845; авторы отмечают, что преимущество SFT-инициализации перед обучением с базовой модели не сохранялось, а качество на отложенной оценке оставалось примерно на уровне 0,485. Модель рассчитана на исследовательские эксперименты с видео-опросами и форматом «рассуждение, затем ответ»; карточка не заявляет производственное качество. Доступна по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы с выбором варианта по видеоклипам
  • оценка понимания содержания видео
  • исследовательское сравнение методов обучения видео-LLM

Ограничения

На отложенных наборах VideoMME-v1, PerceptionComp и Video-Holmes средняя точность контрольной версии составила 0,4845; авторы сообщают об отсутствии устойчивого преимущества SFT-инициализации. Обучение не включало дополнительное выравнивание 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 from OMR-SFT-770 warmstart

RLVR post-training of Qwen/Qwen3-VL-8B-Instruct on multiple-choice video QA with fully-async GRPO, warm-started from an OpenMMReasoner (OMR) supervised checkpoint (checkpoint-770-hf). This is experiment_name=grpo_video_4node_full_v3_24f100k_8b_sft770_perf, global_step_180 (the keeper).

Video RL from the OMR-SFT-770 warm-start reaches offline full-set val mean_accuracy 0.4845 @ step 180 (full set = 5645 rows: VideoMME-v1 2700 + PerceptionComp 1108 + Video-Holmes 1837). Training reward climbed 0.72→0.89 but held-out val stayed flat (reward/val divergence). The cold-start base sibling catches and matches this by step 80 — SFT warm-start buys no durable video val advantage; both land in the ~0.485 dead-heat.

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_180 (peak):

metricmeanvideommeholmesperceptioncompformat
SFT-770 RL @180 (keeper)0.48450.65740.45130.34480.983
cold-base RL keeper @80 (sibling)0.49180.65810.47410.3430—
stock Qwen3-VL-8B ckpt-0 (zero-shot)0.44440.64260.41430.2762—

Trajectory (mean): flat plateau ~0.481 (±0.01) over steps 60–160, peak 0.4845 @180, then edged down (0.467 @200, 0.471 @220). Format compliance saturated ~0.97–0.98 throughout. The high reward did not convert to held-out accuracy — visible only because of the offline full-set eval.

Training

  • Base model: Qwen/Qwen3-VL-8B-Instruct, warm-started from the OMR SFT checkpoint qwen3vl8b_ommr_sft_3node/checkpoint-770-hf. (SFT-770 = the stock 8B SFT'd on OpenMMReasoner reasoning data with lmms-engine — a math/visual-reasoning SFT, not a video model — used here to seed video RL.)
  • 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.
  • Exploration: OFF.
  • 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.
  • 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: ~216 s/step; reward 0.72→0.89 (peak 0.887); final response_length ~137 tok; 249 steps trained (stopped at fit-step ~245). Zero crashes in ~15 h.

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/s59ethn1

Intended use / limitations

Research checkpoint — the SFT-warmstart arm of an 8B video study whose headline finding is a 7-way dead-heat at ~0.485 full-set val. This run shows SFT warm-start gives faster early convergence but no durable val edge over cold-start (which actually peaks slightly higher at 0.4918). 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-sft770"
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: OMR-SFT-770 (OpenMMReasoner SFT of Qwen3-VL-8B-Instruct, trained with lmms-engine).
  • Framework: verl (volcengine/verl), fork ngquangtrung57/verl@videorl-mods; fully-async GRPO (FSDP2 + vLLM).
  • Study: controlled OMR/Video exploration study on Qwen3-VL-8B; SFT-warmstart video arm (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
714100a

0 моделей