/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
10,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-VL
Библиотека
transformers
Опубликована
22 июн 2026

Q-ReAlign-Lite-4B

Изображение и текст → текст4 профессии

Мультимодальная модель на базе Qwen3.5-VL, которая оценивает качество и эстетику изображений и видео по шкале от 0 до 1.

15 641скачиваний за 30 дней2лайкавеса обновлены22 июн 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

Q-ReAlign-Lite-4B — мультимодальная модель для оценки воспринимаемого качества и эстетической привлекательности изображений и видео. Её разработчики дообучили Qwen3.5-VL методом полного SFT; архитектура Qwen3_5ForConditionalGeneration объединяет языковую часть с линейным и полным вниманием и визуальный энкодер типа SigLIP. В модели около 4 млрд параметров согласно размеру в названии; обучение проводилось в bf16.

Модель оценивает изображение или видео по шкале из пяти словесных уровней — от excellent до bad — и сводит вероятности этих уровней к числу от 0 до 1, где большее значение означает более высокое качество. Она предназначена для оценки качества изображений, эстетики и видео, отбора и ранжирования медиа, а также формирования сигналов вознаграждения для генеративных конвейеров. Для видео README предлагает передавать последовательность выбранных кадров.

В описанных авторами испытаниях на семи наборах данных Lite показала средний SRCC 0,889 против 0,869 у Q-Align. Оценки зависят от распределения оценок обучающих данных и лучше подходят для относительного сравнения; перед объединением с другими шкалами их следует калибровать. Модель не предназначена для модерации безопасности, проверки фактов и личности, медицинской или судебной оценки. Лицензия — Apache-2.0.

Сценарии применения

  • оценка технического качества изображений
  • оценка эстетической привлекательности изображений
  • оценка воспринимаемого качества видео по кадрам
  • ранжирование и фильтрация сгенерированных изображений
  • отбор изображений для датасета
  • получение сигнала вознаграждения для генеративного конвейера

Ограничения

Оценки зависят от распределения оценок обучающих данных и наиболее надёжны для относительного сравнения; перед смешиванием с другими шкалами требуется калибровка. Модель не предназначена для модерации контента, проверки фактов или личности, а также медицинской и судебной оценки.

Для каких профессий подходит4

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

Q-ReAlign — Lite (4B)

Lightweight, human-aligned multimodal quality judge built on a modern Qwen3.5 vision-language backbone.

Q-Align-level performance at 4B — the balanced sweet spot of the family: it already beats the original Q-Align on average.

GitHub · Method · Adapting guide · Mini (0.8B) · Lite (4B) · Pro (9B)


What this is

Q-ReAlign scores the perceptual quality / aesthetic appeal of an image or video the way Q-Align does: the model is asked to rate quality, and the probability mass it places on the discrete words excellent / good / fair / poor / bad is collapsed — via a fixed weighting [1.0, 0.75, 0.5, 0.25, 0.0] — into a single scalar in [0, 1].

Lite (4B) is the middle of three sizes (Mini 0.8B · Lite 4B · Pro 9B) and the recommended default: it matches or beats the original Q-Align across the seven QA benchmarks while staying easy to serve.

  • Backbone: Qwen3.5-VL (model_type: qwen3_5), hybrid linear/full attention text tower + SigLIP-style vision encoder
  • Tasks: IQA (image quality) · IAA (image aesthetics) · VQA (video quality) — the unified ONE-ALIGN setting
  • Training: full-parameter SFT in bf16 via ms-swift, vision tower + projector trainable
  • Precision: bfloat16 · dtype auto

Results

Per-dataset SRCC / PLCC on seven QA benchmarks. Lite (4B) reaches avg SRCC 0.889 vs. Q-Align's 0.869.

ModelKonIQSPAQKADIDAGILIVEAVALSVQAvg.
Q-Align0.942 / 0.9440.932 / 0.9330.912 / 0.9200.738 / 0.7810.897 / 0.8700.798 / 0.7960.867 / 0.8660.869 / 0.873
Lite (4B)0.943 / 0.9410.932 / 0.9340.928 / 0.9310.829 / 0.8710.899 / 0.8620.814 / 0.8040.880 / 0.8790.889 / 0.889

Each cell is SRCC / PLCC, on the full evaluation sets (KonIQ, SPAQ, KADID, AGI, LIVE, AVA, LSVQ).

Quick start

import torch
from PIL import Image
from transformers import AutoModelForImageTextToText, AutoProcessor
# transformers >= 5.2.0 for Qwen3.5 support

CKPT, IMAGE = "q-future/Q-ReAlign-Lite-4B", "photo.jpg"
LEVELS  = ["excellent", "good", "fair", "poor", "bad"]
WEIGHTS = [1.0, 0.75, 0.5, 0.25, 0.0]

device = "cuda" if torch.cuda.is_available() else "cpu"
processor = AutoProcessor.from_pretrained(CKPT)
model = AutoModelForImageTextToText.from_pretrained(CKPT, dtype="auto").to(device).eval()

messages = [{"role": "user", "content": [
    {"type": "image"},
    {"type": "text", "text": "How would you rate the quality of this image?"},
]}]
text = processor.apply_chat_template(messages, add_generation_prompt=True) + "The quality of the image is"
inputs = processor(text=[text], images=[Image.open(IMAGE).convert("RGB")], return_tensors="pt").to(device)

ids = [processor.tokenizer(" " + w, add_special_tokens=False).input_ids[0] for w in LEVELS]
probs = model(**inputs).logits[0, -1, ids].softmax(-1)
score = (probs * torch.tensor(WEIGHTS, device=device)).sum().item()
print(f"quality score: {score:.4f}")   # 0 (worst) .. 1 (best)

The score is the expected value of the level weights under the model's next-token distribution over the five level words — no sampling, one forward pass.

Aesthetics or video

Swap the prompt for the task:

  • Aesthetics (IAA): "How would you rate the aesthetics of this image?" → stem "The aesthetics of the image is"
  • Video (VQA): sample N frames (default 8) and pass them as the image sequence; prompt "How would you rate the quality of this video?" → stem "The quality of the video is"

Model details

Lite (4B)
ArchitectureQwen3_5ForConditionalGeneration
Text hidden size2560
Text layers32 (linear attention with full-attention every 4th layer)
Vision encoder depth24, hidden 1024, patch 16, spatial merge 2
Vocab248320
Context lengthup to 262144
Tied embeddingsyes
Tensor dtypebfloat16
Shards3 × safetensors (~10.3 GB total)

Scoring contract

  • Level vocabulary: excellent, good, fair, poor, bad
  • Weights: [1.0, 0.75, 0.5, 0.25, 0.0]
  • Output: scalar in [0, 1], higher = better
  • The five level tokens are matched with a leading space (" excellent", …); keep that when porting to other tokenizers.

Intended use & limitations

  • Use: no-reference image/video quality assessment, aesthetic scoring, dataset curation, ranking and filtering generated media, reward signals for generative pipelines.
  • Out of scope: safety/content moderation, factual or identity judgments, medical/forensic grading. Quality is perceptual and dataset-conditioned.
  • Scores are calibrated to the training MOS distribution; absolute values are most meaningful relative to one another. Re-calibrate before mixing with other scales.

Acknowledgements & citation

Built on the shoulders of Q-Align (the discrete text-defined-levels method and ONE-ALIGN), ms-swift (training/inference backbone), and Qwen3.5-VL (the vision-language backbone). If you use this model, please also cite the originals:

@inproceedings{wu2024qalign,
  title     = {Q-Align: Teaching {LMM}s for Visual Scoring via Discrete Text-Defined Levels},
  author    = {Wu, Haoning and Zhang, Zicheng and Zhang, Weixia and Chen, Chaofeng and
               Liao, Liang and Li, Chunyi and Gao, Yixuan and Wang, Annan and Zhang, Erli and
               Sun, Wenxiu and Yan, Qiong and Min, Xiongkuo and Zhai, Guangtao and Lin, Weisi},
  booktitle = {Proceedings of the 41st International Conference on Machine Learning (ICML)},
  year      = {2024}
}

@inproceedings{swift2025,
  title     = {{SWIFT}: A Scalable Lightweight Infrastructure for Fine-Tuning},
  author    = {ModelScope Team},
  booktitle = {Proceedings of the AAAI Conference on Artificial Intelligence (AAAI)},
  year      = {2025},
  note      = {\url{https://github.com/modelscope/ms-swift}}
}

@misc{qwen3_5,
  title        = {Qwen3.5: Towards Native Multimodal Agents},
  author       = {Qwen Team},
  year         = {2025},
  howpublished = {\url{https://github.com/QwenLM/Qwen3-VL}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
06add46

0 моделей