/ 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
9 ноя 2025

VST-7B-SFT

Изображение и текст → текст3 профессии

VST-7B-SFT — дообученная визуально-языковая модель для анализа изображений и решения задач пространственного восприятия и рассуждения.

181скачиваний за 30 дней0лайковвеса обновлены11 ноя 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

VST-7B-SFT — мультимодальная модель Ray Ruiyang и соавторов из семейства Qwen2.5-VL, дообученная методом supervised fine-tuning в рамках Visual Spatial Tuning. Она предназначена для понимания изображений и пространственных рассуждений: например, подсчёта объектов, оценки расстояний и размеров, определения направлений и планирования маршрутов. По данным карточки, модель содержит 7,1 млрд параметров, принимает изображения и текст и выдаёт текст; поддерживает контекст до 128 000 токенов.

Авторы сообщают о результатах на пространственных бенчмарках и сохранении общих возможностей VLM. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

  • подсчёт объектов на изображении
  • оценка относительного расстояния и размера объектов
  • определение направлений и пространственных отношений
  • ответы на вопросы о сцене и расположении объектов
  • планирование маршрута по визуальной сцене

Ограничения

README приводит результаты на отдельных бенчмарках, но не описывает систематические ограничения или условия, при которых модель ошибается. Поддерживаемые естественные языки не обозначены.

Для каких профессий подходит3

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

Visual Spatial Tuning: VST-7B-SFT

This model is described in the paper Visual Spatial Tuning.

TL;DR: VST is a comprehensive framework designed to cultivate Vision-Language Models (VLMs) with human-like visuospatial abilities—from spatial perception to advanced reasoning.

💡 Key Highlights

✨ VST-P: 4.1M samples across 19 skills, spanning single images, multi-image scenarios, and videos—boosting spatial perception in VLMs.
✨ VST-R: 135K curated samples that teach models to reason in space, including step-by-step reasoning and rule-based data for reinforcement learning.
✨ Progressive Training Pipeline: Start with supervised fine-tuning to build foundational spatial knowledge, then reinforce spatial reasoning abilities via RL. VST achieves state-of-the-art results on spatial benchmarks (34.8% on MMSI-Bench, 61.2% on VSIBench) without compromising general capabilities.
✨ Vision-Language-Action Models Enhanced: The VST paradigm significantly strengthens spatial tuning, paving the way for more physically grounded AI.

📈 Spatial & General Benchmarks

ModelsCV3DSRMMSIBLINKVSIMMStarMMBRealworldQAMMMUOCRBAI2D
VST-3B-SFT84.454.130.259.157.958.080.968.445.283.782.5
VST-3B-RL84.256.531.357.257.758.980.568.549.880.982.4
VST-7B-SFT85.554.632.062.160.663.183.372.250.685.584.9
VST-7B-RL86.560.134.862.661.263.583.068.549.486.183.5

📈 VSIBench

MethodsAvg.Obj. CountAbs. Dist.Obj. SizeRoom SizeRel. DistRel. Dir.Route PlanAppr. Order
VST-3B-SFT57.969.345.471.862.459.046.038.770.2
VST-3B-RL57.766.645.072.860.959.947.640.768.3
VST-7B-SFT60.672.044.474.368.359.755.844.965.2
VST-7B-RL61.271.643.875.569.260.055.644.369.2

Sample Usage

To get started, install the necessary libraries:

pip install transformers
# It's highly recommanded to use `[decord]` feature for faster video loading.
pip install qwen-vl-utils

Using 🤗 Transformers to Chat

Here we show a code snippet to show you how to use the chat model with transformers and qwen_vl_utils:

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

model_path="rayruiyang/VST-7B-SFT"

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto",
)

# default processer
processor = AutoProcessor.from_pretrained(model_path, min_pixels = 256*28*28, max_pixels=1280*28*28)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "http://images.cocodataset.org/train2017/000000039685.jpg",
            },
            {"type": "text", "text": "Consider the real-world 3D locations of the objects. Is the flag directly underneath the airplane?"},
        ],
    }
]

# Preparation for inference
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")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
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[0])

Citation

If you find our work helpful, feel free to give us a cite.

@article{vst,
  title={Visual Spatial Tuning},
  author={Rui Yang, Ziyu Zhu, Yanwei Li, Jingjia Huang, Shen Yan, Siyuan Zhou, Zhe Liu, Xiangtai Li, Shuangye Li, Wenqian Wang, Yi Lin, Hengshuang Zhao},
  journal={arXiv preprint arXiv:2511.05491},
  year={2025}
}

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
2841c2c

0 моделей