An REC ehanched Qwen 2.5VL 3B with VLM-R1 reinforcement learning.
cite: arxiv.org/abs/2504.07615
Характеристики
- Контекст
- 128 000 токенов
- Параметры
- 3,1 млрд
- Размер весов
- 7,5 ГБ
- Архитектура
- qwen2_5_vl · dense
- Базовая модель
- Qwen2.5-VL-3B-Instruct
- Опубликована
- 20 фев 2025
Ссылки
Qwen2.5VL-3B-VLM-R1-REC-500steps
Дообученная Qwen2.5-VL-3B для поиска и локализации объектов на изображении по текстовому описанию.
150скачиваний за 30 дней26лайковвеса обновлены14 апр 2025
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.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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
omlab/Qwen2.5VL-3B-VLM-R1-REC-500steps — дообученная модель на основе Qwen/Qwen2.5-VL-3B-Instruct с усилением для задачи REC (распознавание объектов по выражениям на естественном языке). Она предназначена для поиска на изображении объекта, соответствующего текстовому описанию, и выдачи его локализации.
Модель относится к семейству Qwen2.5-VL, использует архитектуру Qwen2_5_VLForConditionalGeneration и содержит 3,1 млрд параметров. Она принимает изображения и текст; заявленный контекст составляет 128 000 токенов. В карточке указаны английский язык и датасет lmms-lab/RefCOCOg. Репозиторий содержит веса safetensors.
Модель рассчитана на визуальное указание объектов по фразе, например для визуального поиска и привязки описаний к областям изображения. README называет её улучшенной версией REC с обучением VLM-R1, но не приводит результатов оценки или подробностей обучения. Лицензия в предоставленных данных не указана.
Сценарии применения
- поиск объекта на изображении по текстовой фразе
- локализация упомянутого предмета на фотографии
- привязка описаний на английском языке к объектам изображения
Ограничения
README не приводит метрик качества или подробностей обучения, поэтому возможности модели трудно сопоставить с альтернативами. В предоставленных данных не указана лицензия.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
I.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модельI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- Qwen2_5_VLForConditionalGeneration
- Ревизия весов
- b9a4c5a