/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-0.8B
Библиотека
transformers
Опубликована
26 сен 2026

instinct-vision-ni

Вопросы по изображениюИзображение, текст → текст

Компактная визуально-языковая модель для ответов на вопросы о событиях и изменениях в последовательности кадров с камеры.

0скачиваний за 30 дней0лайковвеса обновлены26 сен 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

instinct-vision-ni — компактная визуально-языковая модель на 0,8 млрд параметров, разработанная на базе Qwen/Qwen3.5-0.8B и дообученная для анализа последовательностей кадров с камер. Она предназначена для ответов на вопросы о том, что изменилось между кадрами, в каком направлении произошло изменение и в каком временном порядке происходили события. Модель использует архитектуру оценки вариантов ответа за один прямой проход с scoring head из laya-vision и не генерирует ответы авторегрессионно.

Модель также сохраняет возможности визуального вопросно-ответного анализа на изображениях и диаграммах. По описанию, при максимальной длине последовательности 2048 токенов можно обрабатывать примерно четыре кадра с разрешением 896 пикселей. В README приведены результаты на небольшом наборе проверок, включая 8 из 8 задач мульткадрового временного рассуждения и точность 84,6% на 143 примерах ScienceQA; эти результаты не гарантируют такую же точность на других данных. Для тестирования на AI2D следует учитывать возможное загрязнение оценки: часть опубликованного тестового набора использовалась при обучении.

Веса опубликованы в формате safetensors под лицензией Apache-2.0. README указывает, что при обучении не использовались данные с ограничительными лицензиями.

Сценарии применения

  • обнаружение изменений между кадрами видеонаблюдения
  • определение направления изменения объекта или сцены
  • установление временного порядка событий на последовательности кадров
  • ответы на вопросы по изображениям и диаграммам

Ограничения

Приведённые показатели получены на небольших тестовых выборках и не гарантируют качество на новых данных. Часть тестового набора AI2D использовалась при обучении, поэтому оценка на нём может быть загрязнена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

instinct-vision-ni

A 0.8B vision-language model finetuned for live camera temporal reasoning — change detection, change direction, and temporal order binding — built on the laya/jev scoring architecture (single forward-pass option scoring, no autoregressive generation).

instinct-vision-ni is trained without any restricted-license data, making it usable as a commercially-distributable checkpoint.

Training data

SourceExamplesLicenseNotes
ScienceQA (derek-thomas/ScienceQA mirror, train split)5,000CC BY-SA 4.0 (mirror card tag verified 2026-09-26; original AllenAI ScienceQA is CC BY-SA 4.0)general VQA retention
AI2D (lmms-lab-encoder/ai2d, test split — only split published; first 250 rows excluded)2,821CC BY-SA 4.0 (AllenAI AI2D; HF mirror card carries no explicit tag — caveat noted)diagram QA. ⚠️ future ai2d evals against this split are contaminated for this model
Synthetic temporal pairs built by the laya-vision temporal-pair builder + supplement (self-made photos, PIL jitter, 896px)5,000Apache-2.0-licensed use granted by ownerdelta/same/which × full pair-type × question-polarity grid
Total12,821 (30 dropped by max_len filter)

Architecture & training

  • Backbone: Qwen/Qwen3.5-0.8B (Apache 2.0); laya-vision scoring head, freeze=full
  • lr 1e-4 head / 1e-5 backbone, bs 8, max_len 2048, AdamW8bit, 4,800 steps (~3 epochs), 10,200s on GB10
  • Post-loop per-type temperature calibration (filtered 3.5k mix)
  • Hardware: NVIDIA GB10 (SM121), 2026-09-26/27. driver script available in the laya-vision training repo

Results

TestResult
Multiframe temporal (8-task suite)8/8 (all @1.0 confidence)
Held-out jitter N=50 × 6 tasks1.000 each
ScienceQA image-only N=14384.6%
Speed 1-frame / 2-frame0.056 / 0.097 s

License

Apache 2.0 (this checkpoint + code). Training-data licenses are disclosed above; ScienceQA and AI2D are CC BY-SA 4.0 (share-alike applies to those datasets). No COCO-derived images were used.

Usage

VLMAgent("/path/to/instinct-vision-ni", device="cuda", dtype="bf16") via laya-vision. State dict {"images": [...]} for multi-frame; ~4 frames fit max_len 2048 at 896px.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
d063a0a

0 моделей