/ 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
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
30 дек 2025

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

Компьютерное зрениеВидео, текст → текст3 профессии

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

34скачиваний 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-SFT — мультимодальная модель рассуждений prithivMLmods, дообученная на основе Qwen/Qwen2.5-VL-7B-Instruct. Она предназначена для анализа видео и визуальных наблюдений, чтобы поддерживать роботов и зрительные агенты при планировании и принятии решений. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает визуальные данные и текстовые инструкции и генерирует текстовые рассуждения. Заявленная длина контекста — 128 000 токенов; в карточке указана поддержка английского языка.

Модель рассчитана на понимание пространственных отношений, временной динамики и повседневных физических взаимодействий, включая движение, столкновения и сохранение объектов. Её предполагаемые сценарии — долгосрочный анализ видео, прогнозирование событий и высокоуровневое планирование действий в робототехнике, симуляциях и физических AI-системах. Лицензия — Apache-2.0.

Качество может снижаться на очень длинных или зашумлённых видео и неоднозначных физических ситуациях. Для специализированных робототехнических задач может потребоваться дополнительное дообучение; низкоуровневое управление движениями не входит в область применения модели.

Сценарии применения

  • анализ временной последовательности событий в видео
  • прогнозирование движения объектов и последствий физических взаимодействий
  • планирование следующих шагов робота по визуальным наблюдениям
  • выбор последовательности действий для навигации и манипуляций
  • ответы на вопросы о пространственных отношениях и физике сцены

Ограничения

Качество может снижаться на очень длинных или зашумлённых видео и неоднозначных физических ситуациях; специализированные робототехнические задачи могут требовать дополнительного дообучения. Модель предназначена для высокоуровневого планирования и не выполняет низкоуровневое управление движениями.

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-SFT

KAIROS-MM-Qwen2.5-VL-7B-SFT 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-SFT",
    torch_dtype="auto",
    device_map="auto"
)

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

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 fine tuned using large scale multimodal reasoning and planning datasets focused on physical understanding and long horizon reasoning:

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 reasoning 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 fine tuning
  • 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
2597cbf

0 моделей