/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
24 янв 2026

DiVE-k-QWEN2.5-7B-CUB

Обучение с подкреплением

Зрительно-языковая модель Qwen2.5-VL-7B, дообученная методом DiVE-k для тонкозернистой классификации изображений и различения похожих классов.

21скачиваний за 30 дней0лайковвеса обновлены25 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

DiVE-k QWEN2.5-7B-CUB — зрительно-языковая модель на базе Qwen2.5-VL-7B, дообученная методом DiVE-k для тонкозернистого распознавания изображений, в частности птиц из датасета CUB. Метод формирует задачу выбора правильного класса из нескольких похожих вариантов на основе собственных top-k предсказаний модели и обучает её различать тонкие визуальные признаки с помощью обучения с подкреплением.

Модель предназначена для классификации изображений с близкими по виду категориями и визуального рассуждения при выборе между конкурирующими гипотезами. В README заявлено улучшение обобщения на новые классы и в zero-shot сценариях. Это версия с 7,1 млрд параметров, архитектурой Qwen2_5_VLForConditionalGeneration и контекстом до 128 000 токенов; работает с изображениями и текстом. Используются Transformers и формат safetensors. Лицензия — Apache-2.0.

Описание и примеры сосредоточены на тонкозернистой классификации; качество для других задач и наборов данных не установлено. Для запуска и настройки inference README отсылает к репозиторию DiVE-k.

Сценарии применения

  • классификация видов птиц на изображениях
  • различение визуально похожих категорий
  • выбор правильного класса из нескольких похожих вариантов
  • zero-shot распознавание новых классов изображений

Ограничения

README описывает применение преимущественно для тонкозернистой классификации, включая датасет CUB; качество на других доменах не заявлено. Для инференса и оценки README отсылает к внешнему репозиторию DiVE-k.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DiVE-k QWEN2.5-7B (CUB)

Overview

DiVE-k QWEN2.5-7B-CUB is a vision-language model fine-tuned using DiVE-k (Differential Visual Reasoning using Top-k Generations) on a fine-grained visual recognition domain (e.g., CUB).

DiVE-k reformulates fine-grained image classification as a differential reasoning problem. Instead of training the model to predict a single label, it leverages the model’s own top-k predictions to construct a multiple-choice reasoning task. The model is then trained using reinforcement learning to select the correct answer among visually similar candidates, encouraging deeper visual discrimination and reasoning.

This approach improves zero-shot and base-to-novel generalization performance by teaching the model to compare subtle visual differences between competing hypotheses.

The training framework, data construction, and evaluation pipeline are described in detail in the DiVE-k repository.

👉 Source code: https://github.com/raja-kumar/DiVE-k


Example Usage

Please refer to the official DiVE-k GitHub repository for:

  • Model loading
  • Inference pipelines
  • Fine-grained classification setup
  • Training and evaluation scripts

👉 https://github.com/raja-kumar/DiVE-k


Citation

If you use this model or the DiVE-k framework in your research, please cite:

@misc{kumar2025divekdifferentialvisualreasoning,
  title={DiVE-k: Differential Visual Reasoning for Fine-grained Image Recognition},
  author={Raja Kumar and Arka Sadhu and Ram Nevatia},
  year={2025},
  eprint={2511.18305},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
d66269d

0 моделей