/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-VL
Библиотека
transformers
Опубликована
22 июн 2026

Q-ReAlign-Pro-9B

Изображение и текст → текст4 профессии

Мультимодальная модель на основе Qwen3.5-VL для оценки качества и эстетики изображений, а также качества видео по выбранным кадрам.

1 124скачиваний за 30 дней3лайкавеса 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-Pro-9B — мультимодальная модель оценки визуального качества и эстетики, разработанная командой Q-Future на основе Qwen3.5-VL. Это дообученная модель с архитектурой Qwen3_5ForConditionalGeneration: текстовая часть сочетает линейное и полное внимание, а визуальная использует энкодер в стиле SigLIP. Версия Pro содержит 9 млрд параметров; модель принимает изображения и текстовые инструкции, а для оценки видео — последовательность выбранных кадров.

Модель предназначена для безэталонной оценки качества изображений и видео, эстетической оценки изображений, ранжирования и фильтрации визуального контента, а также формирования оценочных сигналов для генеративных систем. Она выбирает один из уровней excellent, good, fair, poor, bad, а затем сводит распределение вероятностей по ним к числу от 0 до 1. В заявленных тестах на семи наборах данных Pro показала средний SRCC 0,896.

Оценки отражают восприятие качества и зависят от распределения оценок в обучающих данных; абсолютные значения лучше интерпретировать относительно друг друга и калибровать перед объединением с другими шкалами. Модель не предназначена для модерации безопасности, проверки фактов или личности, медицинской и судебной экспертизы. Лицензия — Apache-2.0.

Сценарии применения

  • оценка технического качества изображений без эталонного образца
  • оценка эстетической привлекательности изображений
  • оценка качества видео по выборке кадров
  • ранжирование и фильтрация изображений в датасете
  • отбор результатов генерации изображений по качеству

Ограничения

Оценки зависят от обучающего распределения MOS и наиболее осмысленны при сравнении между собой; перед объединением 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 — Pro (9B)

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

Q-Align-level performance with roughly half the parameters — the largest, highest-fidelity variant of the family.

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].

Pro (9B) is the flagship of three sizes (Mini 0.8B · Lite 4B · Pro 9B). All three match or beat the original Q-Align across seven QA benchmarks; quality scales cleanly with size, and Pro sits at the top.

  • 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. Pro (9B) reaches avg SRCC 0.896 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
Pro (9B)0.950 / 0.9520.935 / 0.9370.934 / 0.9390.843 / 0.8850.902 / 0.8760.832 / 0.8280.883 / 0.8840.896 / 0.900

Each cell is SRCC / PLCC. Numbers are 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-Pro-9B", "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

Pro (9B)
ArchitectureQwen3_5ForConditionalGeneration
Text hidden size4096
Text layers32 (linear attention with full-attention every 4th layer)
Vision encoder depth27, hidden 1152, patch 16, spatial merge 2
Vocab248320
Context lengthup to 262144
Tensor dtypebfloat16
Shards4 × safetensors (~18.8 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
cad9fd1

0 моделей