/ 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
29 сен 2026

video-hopchain-8b-standard-rl

Компьютерное зрениеВидео, текст → текст3 профессии

Промежуточная версия Qwen3-VL-8B, дообученная для ответов на вопросы о видео и многошагового видеорассуждения.

17скачиваний за 30 дней0лайковвеса обновлены30 сен 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

Video-HopChain-8B (standard RL stage) — это промежуточный чекпойнт модели Qwen3-VL-8B-Instruct, дообученный разработчиком проекта Video-HopChain с помощью GRPO. Модель принимает видео и текстовые вопросы и предназначена для ответов на вопросы о содержании видео, в том числе требующих многошагового рассуждения. В обучении использовалась смесь из 105 993 примеров видео-вопросов и ответов; модель обрабатывает видео по 24 кадрам на этапе обучения. В оценке использовался контекст до 33 792 токенов.

Сценарии применения

  • ответы на вопросы о событиях и объектах в видео
  • многошаговое рассуждение по содержанию видео
  • анализ видеосцен для исследовательских экспериментов
  • воспроизведение базового этапа эксперимента Video-HopChain
  • сравнение видеомоделей на наборах задач понимания видео

Ограничения

Это чекпойнт первого этапа обучения: он не обучался на данных Video-HopChain и не использовал Confidence-Gated Exploration; его результаты на целевом наборе Video-HopChain ниже, чем у финальной модели проекта. Показатели оценки приведены для конкретных настроек и наборов тестов и не гарантируют качество на других видео.

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-HopChain-8B (standard RL stage)

This is the stage-1 checkpoint of Video-HopChain. It is Qwen3-VL-8B-Instruct trained with GRPO on a 105,993-row general video QA mixture (LLaVA-Video 72,421, STAR 11,455, CLEVRER 8,220, NExT-QA 7,549, PerceptionTest 6,348) at 24 frames, taken at step 80. It saw no Video-HopChain data and used no Confidence-Gated Exploration (CGE). It is the "+ standard RL" row of Table 1 in the paper. Use it as the starting point of both second-stage runs, including ngqtrung/video-hopchain-8b, as a baseline, or to reproduce Table 1.

Results

Accuracy in percent, evaluated with lmms-eval at 100 frames per video under one setting for every row: at most 501,760 pixels per frame, a 33,792-token context, and at most 16,384 generated tokens. "In-domain" is the 1,000-question held-out Video-HopChain split.

ModelVideo-MMEPerceptionCompVideo-MMMUVideo-HolmesVCRBenchMMR-VLongVideo-ReasonVRBenchmeanin-domain
Qwen3-VL-8B-Instruct64.028.163.540.732.042.772.674.752.313.4
this model (+ standard RL)65.834.363.047.435.943.476.177.655.413.4
Video-HopChain-8B (final)69.237.467.548.644.946.678.981.059.323.2

VCRBench is reported on its multiple-choice subset.

Usage

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "ngqtrung/video-hopchain-8b-standard-rl", dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("ngqtrung/video-hopchain-8b-standard-rl")

The weights are BF16. The model was trained to reason inside <think>...</think> and to put the final answer in <answer>\boxed{...}</answer>, so use the same system prompt as training. It is in the dataset rows.

Citation

@misc{nguyenquang2026videohopchain,
  title         = {Video-HopChain: Multi-Hop Questions and Confidence-Gated Exploration for Video Reasoning Models},
  author        = {Nguyen Quang, Trung and Dong, Yuhao and Sun, Shuo and Liu, Shuai and Tian, Shulin and Yap, Kim-Hui and Liu, Ziwei},
  year          = {2026},
  eprint        = {2609.25773},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV},
  url           = {https://arxiv.org/abs/2609.25773}
}

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
905fb5b

0 моделей