/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B
Библиотека
transformers
Опубликована
28 окт 2025

Qwen2.5-VL-7B-Surg-CholecT50

Изображение и текст → текст3 профессии

Мультимодальная модель NVIDIA на базе Qwen2.5-VL-7B, которая описывает хирургические действия, инструменты и анатомические цели на кадрах лапароскопической холецистэктомии.

531скачиваний за 30 дней12лайковвеса обновлены12 янв 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

Qwen2.5-VL-7B-Surg-CholecT50 — мультимодальная модель NVIDIA для распознавания хирургических действий на кадрах лапароскопической холецистэктомии. Это дообученная версия Qwen2.5-VL-7B с архитектурой Qwen2.5-VL и примерно 7,1 млрд параметров. Модель принимает RGB-изображение эндоскопического кадра и, опционально, текстовый запрос; заявленный контекст в метаданных — до 128 000 токенов.

Модель предназначена для исследовательского анализа хирургического процесса: она описывает инструменты, действия и анатомические цели по отдельным кадрам. Обучение проводилось на CholecT50, содержащем кадры операций холецистэктомии. На отдельном наборе оценки указаны F1-значения 0,81 для инструментов, 0,64 для действий и 0,60 для анатомических целей.

Ответ модели — текстовое описание; по умолчанию она не выдаёт рамки объектов или карты сегментации. Качество распознавания действий и анатомических целей ниже, чем инструментов, поэтому результаты требуют проверки и адаптации под конкретные данные. NVIDIA позиционирует модель для исследований и разработки, а не как автономную систему клинических решений. Лицензия указана как other; конкретные условия следует проверить в документах репозитория.

Сценарии применения

  • распознавание хирургических действий на кадрах лапароскопии
  • описание хирургических инструментов и анатомических целей
  • анализ этапов лапароскопической холецистэктомии
  • исследование хирургических рабочих процессов
  • подготовка текстовых меток для анализа видеозаписей операций

Ограничения

Модель обучена на данных лапароскопической холецистэктомии и не выдаёт рамки объектов или сегментацию; качество распознавания действий и анатомических целей ниже, чем инструментов. Она предназначена для исследований и разработки, а результаты требуют проверки для конкретного 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

Model Overview

Description:

Qwen2.5-VL-7B-Surg-CholecT50 is a multimodal large language model fine-tuned on the CholecT50 dataset of laparoscopic cholecystectomy procedures to recognize and describe surgical actions, instruments, and targets in endoscopic video frames. Qwen2.5-VL-7B-Surg-CholecT50 was developed by NVIDIA for research in surgical workflow analyses and fine-grained action recognition.

This model is for research and development only.

License/Terms of Use

Please see the NSCLv1 license.

Deployment Geography:

Global

Use Case:

Primarily intended for surgical researchers, healthcare AI developers, or academic institutions exploring laparoscopic action recognition and surgical workflow analytics.

References(s):

Twinanda, A. P., Shehata, S., Mutter, D., Marescaux, J., De Mathelin, M., & Padoy, N. (2016). Endonet: a deep architecture for recognition tasks on laparoscopic videos. C.I. Nwoye, N. Padoy. Data Splits and Metrics for Benchmarking Methods on Surgical Action Triplet Datasets. arXiv:2204.05235.

Model Architecture:

Architecture Type: Transformer-based Large Language Model with a Vision Adapter

Network Architecture: Qwen2.5-VL-7B

This model was developed based on Qwen2.5-VL-7B ** Number of model parameters: ~7.0×10^9**

Input:

Input Type(s): Image (endoscopic frame), (Optional) Text Prompt Input Format: Red, Green, Blue (RGB), String Input Parameters: Image: Two-Dimensional (2D) laparoscopic image frames (extracted at 1 fps), Text: One-Dimensional (1D) Other Properties Related to Input: Recommended resolution: 480p or higher. Minimal resizing (e.g., 224×224) if required by the model’s vision encoder. Token limit for text context: up to ~4k tokens.

Output:

Output Type(s): Text Output Format: String Output Parameters: One-Dimensional (1D) Other Properties Related to Output: Returns natural language descriptions of recognized instruments, actions, and targets; no bounding boxes or segmentation maps by default. Downstream systems may parse the text output for analytics. NVIDIA GPUs can significantly reduce inference time.

Our AI models are designed and/or optimized to run on NVIDIA GPU-accelerated systems. By leveraging NVIDIA’s hardware (e.g. GPU cores) and software frameworks (e.g., CUDA libraries), the model achieves faster training and inference times compared to CPU-only solutions.

Software Integration:

Runtime Engine(s): Any standard LLM-serving solution (e.g., PyTorch with Triton Inference Server)

**Supported Hardware Microarchitecture Compatibility: **

  • NVIDIA Ampere (e.g., A100)
  • NVIDIA Hopper (e.g., H100)

Preferred/Supported Operating System(s):

  • Linux

The integration of foundation and fine-tuned models into AI systems requires additional testing using use-case-specific data to ensure safe and effective deployment. Following the V-model methodology, iterative testing and validation at both unit and system levels are essential to mitigate risks, meet technical and functional requirements, and ensure compliance with safety and ethical standards before deployment.

Model Version(s):

v1.0 (Finetuned on CholecT50)

This model may be used with the MONAI Surgical Agent Framework

Training Dataset:

CholecT50

** Data Modality

  • Image and Text

** Image Training Data Size

  • Less than a Million Images

** Text Training Data Size

  • Less than a Billion Tokens

** Data Collection Method by dataset

  • Hybrid: Automated, Human

** Labeling Method by dataset

  • Human

Properties (Quantity, Dataset Descriptions, Sensor(s)): ~50 laparoscopic cholecystectomy procedures; frames extracted at 1 fps (~100K training frames); annotations include <instrument, verb, target> triplets.

Testing Dataset:

Link: CholecT50 (holdout portion)

Data Collection Method by dataset:

  • Hybrid: Automated, Human

Labeling Method by dataset:

  • Human

Properties (Quantity, Dataset Descriptions, Sensor(s)): ~1–2K frames for testing (approx).

Evaluation Dataset:

Link: CholecT50 (dedicated set never seen during training)

**Benchmark Score F1-score (Triplets): Instrument: 0.81, Verb: 0.64, Target (Anatomy): 0.60

Data Collection Method by dataset:

  • Hybrid: Automated, Human

Labeling Method by dataset:

  • Human

Properties (Quantity, Dataset Descriptions, Sensor(s)): ~1–2K frames for final evaluation.

Inference:

Acceleration Engine: vLLM Test Hardware: A6000

Ethical Considerations:

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse.

Please make sure you have proper rights and permissions for all input image and video content; if image or video includes people, personal health information, or intellectual property, the image or video generated will not blur or maintain proportions of image subjects included. Please report model quality, risk, security vulnerabilities or NVIDIA AI Concerns here.

Please report model quality, risk, security vulnerabilities or NVIDIA AI Concerns here.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
c1a01db

0 моделей