/ 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
2 апр 2026

EGM-8B-SFT

Изображение и текст → текст3 профессии

Промежуточная мультимодальная модель NVIDIA на базе Qwen3-VL-8B-Thinking для обучения и выполнения задач визуального grounding с текстовыми рассуждениями.

209скачиваний за 30 дней5лайковвеса 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-8B-SFT — промежуточный чекпойнт с supervised fine-tuning из первого этапа конвейера обучения Efficient Visual Grounding Language Models, разработанного NVIDIA. Модель основана на Qwen/Qwen3-VL-8B-Thinking и предназначена для структурированного визуального grounding с явными рассуждениями; чекпойнт служит начальной точкой для последующего обучения с подкреплением методом GRPO.

Это плотная мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration. Она принимает изображения и текст и формирует текстовые ответы; карточка указывает английский язык. Точность весов — bfloat16. Модель рассчитана прежде всего на продолжение обучения, а для использования с наилучшими заявленными результатами авторы указывают финальную модель nvidia/EGM-8B.

Модель распространяется по лицензии Apache-2.0. В README чекпойнт обозначен как промежуточный этап, поэтому его качество для самостоятельного применения не следует считать эквивалентным финальной RL-модели.

Сценарии применения

  • локализация упомянутых в запросе объектов на изображении
  • структурированное визуальное grounding с пояснением рассуждений
  • подготовка и инициализация последующего обучения с подкреплением на визуальных данных

Ограничения

Это промежуточный SFT-чекпойнт, предназначенный для дальнейшего обучения с подкреплением; авторы указывают nvidia/EGM-8B как финальную модель с лучшими результатами. README не приводит оценок качества или подробных ограничений для самостоятельного применения.

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-SFT

Model Summary

EGM-Qwen3-VL-8B-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-8B-Thinking.

This is an intermediate checkpoint intended for further reinforcement learning training. For the final model with best performance, see nvidia/EGM-8B.

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-8B-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-8B model.

How to Use for RL Training

pip install -U huggingface_hub
huggingface-cli download nvidia/EGM-8B-SFT --local-dir ./models/EGM-8B-SFT

Then follow the installation instructions in the EGM repository, prepare the RL data and start training:

export BASE_DIR=$(pwd)
export MODEL_PATH="${BASE_DIR}/models/EGM-8B-SFT"
export OUTPUT_DIR="${BASE_DIR}/checkpoint/"
export DATA_DIR="${BASE_DIR}/data/EGM_Datasets/processed_rl_data/"

cd verl
bash scripts/grounding_qwen.sh

See the EGM repository for full RL training instructions.

Model Architecture

ComponentDetails
ArchitectureQwen3VLForConditionalGeneration
Precisionbfloat16
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

Related Models

ModelDescription
nvidia/EGM-8BFinal RL-trained model (best performance)
nvidia/EGM-4B-SFTSFT checkpoint for the 4B variant
nvidia/EGM-4BFinal RL-trained 4B 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
14d71c7

0 моделей