/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Lumian-VLR-7B-Thinking
Библиотека
transformers
Опубликована
7 авг 2025

Lumian2-VLR-7B-Thinking

Изображение и текст → текст9 профессий

Экспериментальная мультимодальная модель на базе Qwen2.5-VL для визуального рассуждения, анализа документов и ответов по изображениям и видеокадрам.

70скачиваний за 30 дней5лайковвеса обновлены15 сен 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.

  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

Lumian2-VLR-7B-Thinking — экспериментальная мультимодальная модель для визуального рассуждения, разработанная prithivMLmods на базе Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, обученная методом SFT на визуально обоснованных цепочках рассуждений и дополнительно оптимизированная с помощью GRPO. Она принимает изображения и текст, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на английский язык.

Модель формирует текстовые ответы с пошаговыми рассуждениями, привязанными к областям изображения и структуре документов. Её сценарии включают описание изображений, вопросы и суммаризацию по видеокадрам, извлечение сведений из документов, анализ таблиц и диаграмм, а также визуальное обоснование решений. В карточке также заявлены многоязычное рассуждение и применение в робототехнике и мобильной автоматизации.

Модель может ошибаться при низком разрешении или перекрытии объектов, иногда теряет точность визуальной привязки, а обработка длинных видео и больших пакетов документов требует много памяти; для устройств с ограниченными ресурсами она не оптимальна. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы по содержимому изображения с привязкой к объектам
  • создание подробных описаний сцен
  • поиск и извлечение данных из сканов документов, таблиц и диаграмм
  • ответы на вопросы и краткие пересказы по видеокадрам
  • визуальный анализ для робототехники и мобильной автоматизации

Ограничения

Точность снижается на изображениях низкого разрешения и с перекрытыми объектами; возможны ошибки визуальной привязки и отклонения в рассуждениях. Обработка длинных видео и больших пакетов документов требует много памяти, а модель не оптимальна для работы в реальном времени на периферийных устройствах.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

15.png

Lumian2-VLR-7B-Thinking

The Lumian2-VLR-7B-Thinking model is a high-fidelity vision-language reasoning (experimental model) system designed for fine-grained multimodal understanding. Built on Qwen2.5-VL-7B-Instruct, this model enhances image captioning, sampled video reasoning, and document comprehension through explicit grounded reasoning. It produces structured reasoning traces aligned with visual coordinates, enabling explainable multimodal reasoning. Trained via supervised fine-tuning (SFT) on visually-grounded reasoning traces and further refined using GRPO reinforcement learning, Lumian2 delivers superior step-by-step chain-of-thought reasoning with strong visual grounding.

Key Enhancements

  • Visually-Grounded Reasoning and Thinking Traces: Generates explicit reasoning traces tied to image regions and document structures for transparent and explainable outputs.
  • Advanced Image Captioning: Produces detailed, grounded captions with reasoning steps for improved scene understanding.
  • Sampled Video Reasoning: Handles long-duration videos with temporal reasoning for question answering and summarization.
  • Context-Aware Document Analysis: Excels at structured and unstructured content extraction with visual grounding.
  • Fine-Grained Visual Grounding: Accurately links reasoning steps to tables, charts, and graphical elements.
  • Reinforcement-Learned Thinking: GRPO training incentivizes accurate, grounded reasoning with minimal hallucinations.

[!TIP] ✦ Colab Demo : https://huggingface.co/prithivMLmods/Lumian2-VLR-7B-Thinking/blob/main/Lumian2-VLR-7B-Thinking-Demo-Notebook/Lumian2_VLR_7B_Thinking.ipynb

Thinking Traces

The model outputs reasoning and answers in a structured format:

<think>
Step 1: Identify the main elements in the image and their positions.
Step 2: Analyze the relationships between objects and surrounding context.
Step 3: Derive the final answer based on spatial reasoning and visual cues.
</think>

<answer>
The image depicts a person holding an open book with highlighted sections on the left page.
</answer>

Quick Start with Transformers🤗 (single-shot)

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Lumian2-VLR-7B-Thinking", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Lumian2-VLR-7B-Thinking")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image with thinking traces."},
        ],
    }
]

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=256)
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)

Intended Use

  • Visual reasoning with grounded, step-by-step thinking traces.
  • Explainable image captioning and sampled video reasoning.
  • Multimodal document retrieval, extraction, and analytical interpretation.
  • Transparent chain-of-thought reasoning for educational, research, and enterprise use.
  • Multilingual reasoning and structured content extraction.
  • Robotic and mobile vision-based automation with grounded decision-making.

Limitations

  • High memory requirements for long videos and large document batches.
  • Degraded accuracy on extremely low-resolution or obscured visuals.
  • Suboptimal for real-time inference on edge devices.
  • Visual token configuration strongly influences reasoning fidelity.
  • Occasional reasoning drift or partial grounding errors.

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
cb6f814

0 моделей