/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
qwen3-vl-2b-cataract-sft
Опубликована
10 сен 2026

qwen3-vl-2b-cataract-sft-stage2

Вопросы по изображениюИзображение, текст → текст3 профессии

Мультимодальная модель Qwen3-VL-2B, дообученная для ответов на вопросы и связного описания видео операций по удалению катаракты.

95скачиваний за 30 дней0лайковвеса обновлены25 сен 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

shahedm2001 разработал эту модель как второй этап supervised fine-tuning семейства Qwen3-VL-2B для понимания видео операций по удалению катаракты и создания связных описаний хирургических процедур. Она дообучена на полных записях операций и хирургических клипах, чтобы лучше сохранять последовательность событий на протяжении всей операции.

Модель использует архитектуру Qwen3-VL с плотной мультимодальной моделью и выдаёт текстовые ответы на вопросы о визуальном содержимом. В README указаны обработка до 64 кадров и динамический бюджет визуальных токенов; метаданные отмечают английский язык. Веса объединены в самостоятельный чекпойнт 16-битной точности в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Она предназначена для анализа видеозаписей хирургии катаракты и исследовательских сценариев, связанных с повествовательным описанием хода операции. Данные обучения и специализированная область ограничивают обоснованность применения за пределами таких видео; качество клинических выводов в README не подтверждено.

Сценарии применения

  • ответы на вопросы о ходе операции по видео
  • создание связного описания полной операции по удалению катаракты
  • описание хирургических этапов и изменений между кадрами
  • анализ видеозаписей хирургии катаракты в исследовательских проектах

Ограничения

Модель специализирована на видео хирургии катаракты, поэтому её ответы для других медицинских сценариев и обычных видео могут быть ненадёжны. README не приводит клинической оценки качества, поэтому выводы модели не следует считать подтверждёнными клиническими рекомендациями.

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

Qwen3-VL-2B Cataract Surgery: SFT Stage 2 (Continued Fine-Tuning)

This repository contains the standalone, fully merged 16-bit model weights for Stage 2 Supervised Fine-Tuning (SFT) of Qwen3-VL-2B on cataract surgical video narration and visual understanding.

Stage 2 continued fine-tuning specifically refines long-horizon temporal narrative coherence across whole surgical cases by concentrating training on all full cataract surgery videos while anchoring clip-level representations with stratified surgical clips.


🔬 SFT Stage 2 Training Overview

  • Base Model Initialization: shahedm2001/qwen3-vl-2b-cataract-sft (Stage 1 merged checkpoint).
  • Training Data Composition:
    • 100% of Full Videos: All 108 unclipped surgery recordings (capturing complete procedural arcs from corneal incision to wound closure).
    • 10% Stratified Clips: Sampled equally across YouTube cataract surgical demonstrations and clinical Phase recordings from shahedm2001/dataset_sft.
  • Curriculum Design & Adaptations:
    • Halved Learning Rates: LLM LoRA rate was halved to ( 5 \times 10^{-5} ), merger LR to ( 5 \times 10^{-6} ), and vision transformer LR to ( 1 \times 10^{-6} ) to stabilize learned visual features while adapting to extended temporal narratives.
    • Rank 8 / Alpha 16 LoRA Parameterization: Targeted adapter capacity preserving base surgical representations.
    • 64 Frames at Native Aspect Ratios: Dynamic visual token budget (98,304 to 196,608 pixels per frame) capturing fine-grained instrument movements and ocular tissue boundaries.

📈 Stage 2 Training Dynamics & Convergence

During Stage 2 fine-tuning, cross-entropy token loss dropped from 0.9812 down to a new global minimum of 0.4132, accompanied by a 2.3× stabilization in gradient norms compared to Stage 1.

Stage 2 Standalone Dynamics (Steps 1–42)

Stage 2 Dynamics

SFT Two-Stage Concatenated Progression (Steps 1–742)

SFT Two-Stage Dynamics


📊 Quantitative Training Metrics

Telemetry / HyperparameterStage 1 (Full SFT)Stage 2 (Continued SFT)Cumulative / Final SFT
Base ModelQwen/Qwen3-VL-2B-Instructshahedm2001/qwen3-vl-2b-cataract-sftBase Model
Data SplitFull dataset_sft (5,597 items)All 108 Full Videos + 10% Clips5,597 unique videos
LoRA ParameterizationRank 16, Alpha 32Rank 8, Alpha 16Rank 8–16 Adaptations
Peak LLM Learning Rate( 1.0 \times 10^{-4} ) (cosine)( 5.0 \times 10^{-5} ) (cosine, halved)Warmup + Cosine
Optimizer Steps700 steps (2.0 epochs)42 steps (1.0 epoch)742 global steps
Initial Training Loss2.28100.98122.2810
Minimum Training Loss0.68040.41320.4132
Final Step Loss1.06200.41320.4132
Median Gradient Norm2.561.09 (2.3× lower)2.45
Total Wall-Time~11.8 hours41.7 minutes~12.5 hours

📦 Training Logs & Telemetry Artifacts

The complete logs, console outputs, and hardware metrics for Stage 2 (and the concatenated 742-step telemetry) are included in this repository:

  • training_logs/logs.zip — Raw training logs and telemetry per sub-epoch.
  • training_logs/sft_training_logs_stages_1_and_2.zip — Complete bundled archive containing raw train.log, losses.csv, gpu.csv, cmd.txt, and config.txt across both stages.
  • plots/figure_sft_stage2_dynamics.png — Dedicated 4-panel Stage 2 training dashboard.
  • plots/figure_sft_two_stage_training_dynamics.png — Unified 742-step concatenated training dynamics.

💻 Usage & Inference

The model is a standalone, merged 16-bit model compatible with standard Hugging Face transformers:

import torch
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration
from qwen_vl_utils import process_vision_info

model_id = "shahedm2001/qwen3-vl-2b-cataract-sft-stage2"

# 1. Load processor and standalone model
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="cuda:0"
)

# 2. Prepare surgical video query
messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "video": "path/to/cataract_video.mp4", "nframes": 64},
            {"type": "text", "text": "Describe the anatomical surgical steps and instrument interactions visible in this cataract operation clip."}
        ]
    }
]

# 3. Process video and generate narration
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"
).to("cuda:0")

with torch.no_grad():
    output_ids = model.generate(**inputs, max_new_tokens=256, do_sample=False)
    trimmed_ids = output_ids[0][len(inputs.input_ids[0]):]
    response = processor.decode(trimmed_ids, skip_special_tokens=True).strip()

print(response)

🔗 Related Resources

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
2e172ae

0 моделей