/ Модель

Характеристики

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

EGM-4B-SFT

Изображение и текст → текст3 профессии

Промежуточная мультимодальная модель NVIDIA для визуального заземления, предназначенная главным образом для дальнейшего обучения с подкреплением.

310скачиваний за 30 дней1лайквеса 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-SFT — промежуточная контрольная точка первого этапа обучения модели Efficient Visual Grounding Language Models, разработанной NVIDIA. Это плотная мультимодальная модель на архитектуре Qwen3VLForConditionalGeneration, полученная дообучением Qwen/Qwen3-VL-4B-Thinking методом supervised fine-tuning на данных для визуального заземления с пошаговыми рассуждениями. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с визуальным заземлением.

Контрольная точка предназначена прежде всего для дальнейшего обучения с подкреплением по схеме GRPO; итоговая модель этого процесса — nvidia/EGM-4B. Модель поддерживает диалоговый режим и визуальный ввод. В README указана точность bfloat16 и размер текстового скрытого представления 2560. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • дообучение модели для локализации объектов на изображениях по текстовому запросу
  • обучение структурированным рассуждениям при визуальном заземлении
  • использование как начальной контрольной точки для обучения GRPO

Ограничения

Это промежуточная контрольная точка SFT, предназначенная для дальнейшего обучения; README указывает, что лучшую производительность обеспечивает финальная модель nvidia/EGM-4B.

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-SFT

Model Summary

EGM-Qwen3-VL-4B-SFT is the supervised fine-tuning (SFT) checkpoint from the first stage of the EGM (Efficient Visual Grounding Language Models) training pipeline. It is built on top of Qwen3-VL-4B-Thinking.

This is an intermediate checkpoint intended for further reinforcement learning training. For the final model with best performance, see nvidia/EGM-4B.

Training Details

SFT Stage

In the SFT stage, a proprietary VLM generates detailed chain-of-thought reasoning steps for visual grounding training data. The base Qwen3-VL-4B-Thinking model is then fine-tuned on this reasoning-augmented data to learn structured visual grounding with explicit reasoning.

This SFT checkpoint serves as the initialization for the subsequent RL stage (GRPO), which yields the final EGM-4B model.

How to Use for RL Training

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

Then follow the installation and RL training instructions in the EGM repository.

Model Architecture

ComponentDetails
ArchitectureQwen3VLForConditionalGeneration
Precisionbfloat16
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

Related Models

ModelDescription
nvidia/EGM-4BFinal RL-trained model (best performance)
nvidia/EGM-8B-SFTSFT checkpoint for the 8B variant
nvidia/EGM-8BFinal RL-trained 8B model

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
60cfbf3

0 моделей