/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
omchat_qwen2_5_vl · dense
Опубликована
31 окт 2025

VLM-FO1-3B-v01

Генерация текстаТекст → текст3 профессии

VLM-FO1-3B-v01 — мультимодальная модель для обнаружения и детального понимания объектов и областей изображения по текстовым запросам.

88скачиваний за 30 дней18лайковвеса обновлены18 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

VLM-FO1-3B-v01 — модель семейства VLM-FO1, разработанная как реализация одноимённого фреймворка для усиления моделей «зрение—язык» в задачах детального визуального восприятия. Она предназначена для поиска и понимания конкретных областей изображения, визуальных рассуждений по регионам и генеративного описания выбранных областей, сохраняя возможности базовой VLM для общего понимания и рассуждений.

В README описан Hybrid Region Encoder (HFRE), объединяющий семантические и ориентированные на восприятие визуальные признаки в региональные токены, а также двухэтапное обучение. Метаданные указывают плотную архитектуру OmChatQwen25VLForCausalLM семейства omchat_qwen2_5_vl, 3,1 млрд параметров, контекст до 128 000 токенов и формат safetensors. Модель принимает изображения и текстовые запросы, выдаёт текст с результатами обнаружения и локализации объектов. В карточке указаны китайский и английский языки; лицензия — Apache-2.0.

Модель подходит для сценариев, где требуется совместить диалоговое понимание изображения с детальной локализацией объектов и рассуждениями о регионах. README заявляет результаты уровня state of the art, но не приводит ссылки на репозиторий, статью или таблицы бенчмарков, поэтому эти заявления нельзя независимо оценить. Также карточка не уточняет требования к запуску и совместимые базовые модели.

Сценарии применения

  • поиск и локализация объектов на изображении по текстовому описанию
  • ответы на вопросы о конкретной области изображения
  • визуальные рассуждения о взаимосвязях объектов и регионов
  • генеративное описание выбранного участка изображения

Ограничения

README не приводит ссылок на репозиторий или статью и не содержит численных результатов бенчмарков, поэтому заявленное превосходство над другими моделями проверить по карточке нельзя. Требования к запуску и совместимые базовые модели не уточнены.

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

VLM-FO1: VLM-FO1-3B-v01

This repository contains the VLM-FO1-3B-v01 model, an implementation of the VLM-FO1 framework.

VLM-FO1 is a novel plug-and-play framework designed to bridge the gap between the high-level reasoning of Vision-Language Models (VLMs) and the need for fine-grained visual perception.

Model Details

Model Description

VLM-FO1 endows pre-trained VLMs with superior fine-grained perception without compromising their inherent high-level reasoning and general understanding capabilities. It operates as a plug-and-play module that can be integrated with any existing VLM, establishing an effective and flexible paradigm for building the next generation of perception-aware models.

VLM-FO1 excels at a wide range of fine-grained perception tasks, including Object Grounding, Region Generative Understanding, Visual Region Reasoning, and more.

🧩 Plug-and-Play Modularity: Our framework is designed as a set of enhancement modules that can be seamlessly integrated with any pre-trained VLM, preserving its original weights and capabilities.

🧠 Hybrid Region Encoder (HFRE): We introduce a novel Dual-Vision Encoder architecture that fuses semantic-rich features with perception-enhanced features, creating powerful region tokens that capture both high-level meaning and fine-grained spatial detail.

🎯 State-of-the-Art Performance: VLM-FO1 achieves SOTA results across a diverse suite of benchmarks.

✅ Preserves General Abilities: Our two-stage training strategy ensures that fine-grained perception is gained without causing catastrophic forgetting of the base model's powerful general visual understanding abilities.

Model Sources

Citation

@article{liu2025vlm,
  title={VLM-FO1: Bridging the Gap Between High-Level Reasoning and Fine-Grained Perception in VLMs},
  author={Liu, Peng and Shen, Haozhan and Fang, Chunxin and Sun, Zhicheng and Liao, Jiajia and Zhao, Tiancheng},
  journal={arXiv preprint arXiv:2509.25916},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура omchat_qwen2_5_vl неизвестна transformers в образе рантайма.

Класс архитектуры
OmChatQwen25VLForCausalLM
Ревизия весов
15788f0

0 моделей