/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
KAIROS-MM-Qwen2.5-VL-7B-SFT
Библиотека
transformers
Опубликована
30 дек 2025

KAIROS-MM-Qwen2.5-VL-7B-RL

Компьютерное зрениеВидео, текст → текст3 профессии

Мультимодальная модель для рассуждений по видео и визуальным наблюдениям, прогнозирования событий и высокоуровневого планирования действий роботов.

30скачиваний за 30 дней6лайковвеса обновлены3 фев 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

KAIROS-MM-Qwen2.5-VL-7B-RL — мультимодальная модель на архитектуре Qwen2.5-VL, разработанная prithivMLmods для рассуждений о визуальных сценах и видео в робототехнике и системах искусственного интеллекта. Модель содержит 7,1 млрд параметров, работает с контекстом до 128 000 токенов и доступна в формате safetensors через Transformers. Она дообучена с применением обучения с подкреплением на основе KAIROS-MM-Qwen2.5-VL-7B-SFT.

Модель анализирует пространственные отношения, временную динамику и физические взаимодействия, чтобы поддерживать понимание активности, прогнозирование событий и планирование последовательности действий. Основные сценарии — высокоуровневое планирование для роботов и embodied-агентов, навигация, манипуляции и принятие решений по визуальным наблюдениям и языковым целям. Карточка указывает английский язык. Лицензия — Apache-2.0.

Ограничения: качество может снижаться на очень длинных или зашумлённых видео и неоднозначных физических сценах; для специализированных робототехнических задач может потребоваться дополнительное обучение или внешний планировщик. Модель не предназначена для низкоуровневого управления.

Сценарии применения

  • планирование последовательности действий робота по видео
  • анализ движения объектов и физических взаимодействий
  • прогнозирование развития событий в видеосцене
  • понимание активности в длинных видеозаписях
  • выбор следующих шагов для embodied-агента по визуальным наблюдениям

Ограничения

Качество может снижаться на очень длинных или зашумлённых видео и неоднозначных физических сценах; специализированные робототехнические задачи могут потребовать дополнительного обучения или внешнего планировщика. Низкоуровневое управление не входит в область применения модели.

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

1

KAIROS-MM-Qwen2.5-VL-7B-RL

KAIROS-MM-Qwen2.5-VL-7B-RL is a multimodal reasoning model based on Qwen2.5-VL, designed to enable robots and vision AI agents to reason about the real world using physics understanding, prior knowledge, and common sense. The model understands space, time, and fundamental physical principles, and is well suited for planning, decision making, and long horizon video reasoning in embodied and agentic systems. It serves as a planning and reasoning backbone for embodied agents, allowing them to infer what actions to take next based on visual observations, temporal context, and physical constraints.

Key Capabilities

  • Multimodal Reasoning Across Space and Time Understands spatial relationships, temporal dynamics, and causal interactions from images and long horizon videos.

  • Physics and Common Sense Understanding Reasons about motion, forces, object permanence, collisions, and everyday physical interactions in real world environments.

  • Long Horizon Video Reasoning Maintains contextual understanding across extended video sequences for activity understanding, forecasting, and planning.

  • Embodied Agent Planning Acts as a high level planning model to reason about the next steps an embodied agent or robot should take in a given environment.

  • Vision Language Grounding Aligns visual perception with language instructions and goals for reliable reasoning and action guidance.

  • Task Level Decision Making Supports complex multi step reasoning for navigation, manipulation, and interaction tasks in dynamic environments.

  • Cross Domain Generalization Adapts to robotics, physical AI, simulation environments, and real world visual reasoning scenarios.

Quick Start with Transformers

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/KAIROS-MM-Qwen2.5-VL-7B-RL",
    torch_dtype="auto",
    device_map="auto"
)

processor = AutoProcessor.from_pretrained(
    "prithivMLmods/KAIROS-MM-Qwen2.5-VL-7B-RL"
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "video": "<LONG_HORIZON_VIDEO>"},
            {"type": "text", "text": "What should the robot do next to safely pick up the object?"},
        ],
    }
]

text = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

image_inputs, video_inputs = process_vision_info(messages)

inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

generated_ids = model.generate(**inputs, max_new_tokens=1024)
generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]

output_text = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)
print(output_text)

Training Datasets

The model is trained using reinforcement learning focused multimodal reasoning and planning datasets that emphasize physical understanding, temporal reasoning, and decision making:

Intended Use

  • Embodied AI and robotics reasoning
  • Long horizon video understanding and planning
  • Physical AI and simulation environments
  • Vision based decision making and forecasting
  • Robot task planning and action sequencing
  • Multimodal reinforcement learning research and development

Limitations

  • Performance may degrade on extremely long or noisy video inputs
  • Highly ambiguous physical scenarios may require external planners or simulators
  • Domain specific robotics tasks may benefit from additional task specific training
  • Fine grained low level control is outside the scope of this model

References

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
1b09728

0 моделей