/ Модель

Характеристики

Контекст
8 192 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Thinking
Библиотека
transformers
Опубликована
3 мар 2026

EGM-8B

Изображение и текст → текст3 профессии

Мультимодальная модель NVIDIA на базе Qwen3-VL-8B-Thinking для поиска и локализации объектов на изображении по текстовому описанию.

414скачиваний за 30 дней11лайковвеса 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-8B — мультимодальная модель семейства Efficient Visual Grounding Language Models, разработанная NVIDIA на базе Qwen3-VL-8B-Thinking. Она предназначена прежде всего для визуального поиска объектов по текстовым описаниям: модель анализирует изображение и связывает выражение с нужной областью. Модель дообучена в два этапа — с помощью supervised fine-tuning и reinforcement learning с GRPO.

Модель использует архитектуру Qwen3VLForConditionalGeneration и принимает изображения вместе с текстовыми запросами, выдавая текстовый ответ с визуальной привязкой. В RefCOCO карточка сообщает средний IoU 91,4; результат выше показателя базовой модели и приведённых крупных моделей Qwen3-VL. Лицензия — Apache-2.0. Заявленные результаты относятся к бенчмарку RefCOCO; карточка не описывает качество на других задачах и наборах данных.

Сценарии применения

  • поиск объекта на изображении по фразе
  • локализация объекта среди нескольких похожих объектов
  • визуальное сопоставление составного описания с областью изображения

Ограничения

Заявленные показатели относятся к RefCOCO; карточка не приводит оценок для других задач и наборов данных. Модель оптимизирована для визуальной привязки, поэтому её результаты на общих задачах анализа изображений отдельно не подтверждены.

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-8B

Model Summary

EGM-Qwen3-VL-8B is the flagship model of the EGM (Efficient Visual Grounding Language Models) family. It is built on top of Qwen3-VL-8B-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

  • 91.4 average IoU on the RefCOCO benchmark (vs. 87.8 for the base Qwen3-VL-8B-Thinking)
  • +3.6 IoU improvement over the base model
  • Outperforms Qwen3-VL-235B-A22B-Instruct (88.2 avg IoU) and Qwen3-VL-235B-A22B-Thinking (90.7 avg IoU)
  • 5.9x faster inference than Qwen3-VL-235B (737ms vs 4,320ms average latency)
  • 18.9x faster than Qwen3-VL-235B-Thinking

RefCOCO Benchmark Results

ModelRefCOCO valRefCOCO test-ARefCOCO test-BRefCOCO+ valRefCOCO+ test-ARefCOCO+ test-BRefCOCOg valRefCOCOg testAvg
Qwen3-VL-8B-Thinking91.092.586.686.291.280.587.888.687.8
EGM-Qwen3-VL-8B93.995.691.290.593.586.390.891.491.4
Qwen3-VL-235B-A22B-Instruct90.494.682.286.492.178.590.590.588.2
Qwen3-VL-235B-A22B-Thinking93.494.190.689.591.485.290.490.590.7

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-8B-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-8B --local-dir ./models/EGM-8B

Inference with SGLang

Launch the server:

pip install "sglang[all]>=0.5.5"

python -m sglang.launch_server \
    --model-path nvidia/EGM-8B \
    --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-8B",
    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 Size4096
Text Layers36
Attention Heads32 (8 KV heads)
Text Intermediate Size12,288
Vision Hidden Size1152
Vision Layers27
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
f5bc2e9

0 моделей