/ Модель

Характеристики

Контекст
8 192 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Thinking
Библиотека
transformers
Опубликована
2 апр 2026

EGM-4B

Изображение и текст → текст3 профессии

EGM-Qwen3-VL-4B — мультимодальная модель NVIDIA для локализации объектов на изображениях по текстовым описаниям.

348скачиваний за 30 дней10лайковвеса обновлены10 апр 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

EGM-Qwen3-VL-4B — мультимодальная модель визуальной привязки из семейства EGM (Efficient Visual Grounding Language Models), разработанная NVIDIA. Она дообучена на Qwen3-VL-4B-Thinking в два этапа: supervised fine-tuning и обучение с подкреплением GRPO. Архитектура — плотная Qwen3-VLForConditionalGeneration; веса доступны в формате safetensors. Размер модели — 4 млрд параметров.

Модель принимает изображение и текстовый запрос и формирует текстовый ответ с локализацией объекта, указанного в запросе. Она предназначена для задач визуальной привязки, в том числе поиска объектов по описаниям с несколькими пространственными и смысловыми отношениями. В README сообщается средний IoU 90,9 на наборе RefCOCO и прирост 3,7 пункта относительно базовой модели.

Модель ориентирована на английский язык. Результаты и заявленная специализация относятся к визуальной привязке; их не следует трактовать как подтверждение превосходства на других задачах компьютерного зрения или мультимодального анализа. Лицензия — Apache-2.0.

Сценарии применения

  • поиск объекта на изображении по текстовому описанию
  • локализация объекта по запросу с несколькими пространственными отношениями
  • визуальная привязка выражений к областям изображения

Ограничения

Заявленные результаты относятся к бенчмарку RefCOCO и задаче визуальной привязки; качество на других задачах не подтверждено приведёнными данными. Ориентирована на английский язык.

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

EGM-Qwen3-VL-4B

Model Summary

EGM-Qwen3-VL-4B is an efficient visual grounding model from the EGM (Efficient Visual Grounding Language Models) family. It is built on top of Qwen3-VL-4B-Thinking and trained with a two-stage pipeline: supervised fine-tuning (SFT) followed by reinforcement learning (RL) using GRPO (Group Relative Policy Optimization).

EGM demonstrates that by increasing test-time computation, small vision-language models can outperform much larger models in visual grounding tasks while being significantly faster at inference.

Key Results

  • 90.9 average IoU on the RefCOCO benchmark (vs. 87.2 for the base Qwen3-VL-4B-Thinking)
  • +3.7 IoU improvement over the base model
  • Outperforms Qwen3-VL-235B-A22B-Instruct (88.2 avg IoU) while being dramatically faster

RefCOCO Benchmark Results

ModelRefCOCO valRefCOCO test-ARefCOCO test-BRefCOCO+ valRefCOCO+ test-ARefCOCO+ test-BRefCOCOg valRefCOCOg testAvg
Qwen3-VL-4B-Thinking90.092.785.685.289.579.387.087.787.2
EGM-Qwen3-VL-4B93.595.190.089.793.184.990.490.890.9

How It Works

VLMs of different sizes often share the same visual encoder. Small models fall behind large models primarily due to a gap in text understanding capabilities — 62.8% of small model errors stem from complex prompts with multiple relational descriptions. EGM mitigates this gap by generating many mid-quality tokens (from small models) to match the performance of large VLMs that produce fewer but more expensive tokens.

Training Pipeline

  1. SFT Stage: A proprietary VLM generates detailed chain-of-thought reasoning steps for visual grounding training data. The base model is fine-tuned on this data. The SFT checkpoint is available as nvidia/EGM-4B-SFT.
  2. RL Stage: GRPO is applied with a reward function combining IoU and task success metrics, further improving grounding accuracy.

Quickstart

Download

pip install -U huggingface_hub
huggingface-cli download nvidia/EGM-4B --local-dir ./models/EGM-4B

Inference with SGLang

Launch the server:

pip install "sglang[all]>=0.5.5"

python -m sglang.launch_server \
    --model-path nvidia/EGM-4B \
    --chat-template=qwen3-vl \
    --port 30000

Send a visual grounding request:

import openai
import base64

client = openai.Client(base_url="http://127.0.0.1:30000/v1", api_key="EMPTY")

# Load a local image as base64
with open("example.jpg", "rb") as f:
    image_base64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.completions.create(
    model="nvidia/EGM-4B",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{image_base64}"}},
                {"type": "text", "text": "Please provide the bounding box coordinate of the region this sentence describes: the person on the left."},
            ],
        }
    ],
    temperature=0.6,
    top_p=0.95,
    max_tokens=8192,
)
print(response.choices[0].message.content)

Model Architecture

ComponentDetails
ArchitectureQwen3VLForConditionalGeneration
Text Hidden Size2560
Text Layers36
Attention Heads32 (8 KV heads)
Text Intermediate Size9728
Vision Hidden Size1024
Vision Layers24
Patch Size16 x 16
Max Position Embeddings262,144
Vocabulary Size151,936

Citation

@article{zhan2026EGM,
    author = {Zhan, Guanqi and Li, Changye and Liu, Zhijian and Lu, Yao and Wu, Yi and Han, Song and Zhu, Ligeng},
    title = {EGM: Efficient Visual Grounding Language Models},
    booktitle = {arXiv},
    year = {2026}
}

Acknowledgment

This repository benefits from Qwen3-VL, InternVL, verl and verl-internvl.

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
579baac

0 моделей