/ Модель

Характеристики

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

Q-ReAlign-Mini-0.8B

Изображение и текст → текст4 профессии

Компактная мультимодальная модель для оценки воспринимаемого качества и эстетики изображений, а также качества видео по кадрам.

90 739скачиваний за 30 дней7лайковвеса 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-Mini-0.8B — компактная мультимодальная модель оценки качества изображений и видео, разработанная проектом Q-ReAlign на основе Qwen3.5-VL. Это плотная vision-language-модель с архитектурой Qwen3_5ForConditionalGeneration, гибридным текстовым блоком с линейным и полным вниманием и визуальным энкодером в стиле SigLIP. Модель дообучена полным SFT в bf16; размер — 0,8 млрд параметров.

Модель оценивает воспринимаемое качество изображений и эстетическую привлекательность, а также качество видео по последовательности кадров. Она распределяет вероятность между категориями excellent, good, fair, poor и bad, затем сводит её к числу от 0 до 1, где большее значение означает лучшее качество. Это подходит для пакетной оценки и ранжирования медиа, отбора данных и получения сигналов вознаграждения в генеративных системах. README сообщает о результатах на семи наборах оценки качества и высокой скорости вывода, в том числе 26,7 изображения в секунду на RTX 4090 при размере пакета 4.

Оценки отражают восприятие, обусловленное обучающими данными, поэтому абсолютные значения лучше интерпретировать относительно друг друга; перед объединением с другими шкалами рекомендуется калибровка. Модель не предназначена для модерации безопасности, проверки фактов и личности, медицинской или судебной оценки. Лицензия — Apache-2.0.

Сценарии применения

  • оценка качества изображений без эталонного изображения
  • ранжирование изображений по эстетической привлекательности
  • оценка качества видео по выборке кадров
  • фильтрация и сортировка сгенерированных изображений
  • отбор изображений для датасета по качеству
  • получение сигнала вознаграждения для генеративного конвейера

Ограничения

Оценки зависят от распределения субъективных оценок в обучающих данных и наиболее надёжны при сравнении между собой; при объединении с другими шкалами нужна 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 — Mini (0.8B)

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

Q-Align-level quality at 0.8B — the fast, tiny variant: 26.7 img/s on an RTX 4090, and still 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].

Mini (0.8B) is the smallest of three sizes (Mini 0.8B · Lite 4B · Pro 9B) and the throughput champion. Despite its size it matches or beats the original Q-Align on average across the seven QA benchmarks — ideal for high-volume scoring, edge / consumer GPUs, and reward-model loops.

  • 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. Mini (0.8B) reaches avg SRCC 0.879 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
Mini (0.8B)0.935 / 0.9380.931 / 0.9330.903 / 0.9070.811 / 0.8480.907 / 0.8730.797 / 0.7940.869 / 0.8690.879 / 0.880

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

Speed

On the SPAQ dataset, Mini tops out at 26.7 img/s @ batch size 4 on a consumer RTX 4090 and 61.1 img/s @ batch size 14 on an H200 141GB.

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-Mini-0.8B", "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

Mini (0.8B)
ArchitectureQwen3_5ForConditionalGeneration
Text hidden size1024
Text layers24 (linear attention with full-attention every 4th layer)
Vision encoder depth12, hidden 768, patch 16, spatial merge 2
Vocab248320
Context lengthup to 262144
Tied embeddingsyes
Tensor dtypebfloat16
Weightssingle safetensors (~2.2 GB)

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 — especially where throughput matters.
  • 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
fe1f45a

0 моделей