/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
SmolVLM2-500M-Video-Instruct
Библиотека
transformers
Опубликована
27 сен 2026

instinct-vision-san

Вопросы по изображениюИзображение, текст → текст

Компактная мультимодальная модель для анализа изменений и временного порядка в видеокадрах, а также ответов на вопросы об изображениях.

0скачиваний за 30 дней0лайковвеса обновлены27 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-san — компактная модель компьютерного зрения и языка на 500 млн параметров, разработанная на базе HuggingFaceTB/SmolVLM2-500M-Video-Instruct и дообученная для временного анализа видеокадров с камер наблюдения. Она предназначена для обнаружения изменений между кадрами, определения направления изменений и установления временного порядка, а также отвечает на вопросы об изображениях и схемах. Модель оценивает варианты ответа за один проход без авторегрессионной генерации; заявлена поддержка контекста примерно из 25 кадров. В тестах авторы сообщают результат 1,000 на шести наборах проверки временного анализа и точность 85,3% на подвыборке ScienceQA с изображениями.

Модель рассчитана на работу в сценариях мониторинга в реальном времени и развертывание на периферийных устройствах; авторы также проверили перенос в RKNN fp16 на RK3588. Лицензия базовой модели и модели в репозитории — Apache 2.0. README отмечает слабые результаты на задачах подсчёта объектов: около 34% на вопросах о количестве объектов COCO, поэтому для подсчёта рекомендуется использовать детектор объектов. Обучение на тестовой части AI2D загрязняет последующие оценки на этом же разбиении.

Сценарии применения

  • обнаружение изменений между последовательными кадрами камеры
  • определение направления изменения в видеопотоке
  • установление временного порядка событий в кадрах
  • ответы на вопросы о сцене с камеры наблюдения
  • ответы на вопросы по схемам и диаграммам
  • развертывание анализа видеокадров на периферийном устройстве

Ограничения

Модель слабо справляется с подсчётом объектов: в README указано около 34% на вопросах о количестве объектов COCO; для таких задач рекомендуется использовать детектор объектов. Обучение включало тестовую часть AI2D, поэтому оценки на этом разбиении загрязнены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

instinct-vision-san

A 500M 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). Trained without any restricted-license data, making it usable as a commercially-distributable checkpoint, and small enough for edge/NPU deployment.

Highlights

  • 500M parameters (SmolVLM2-500M-Video-Instruct backbone, Apache 2.0) — ~40% smaller than instinct-vision-ni while matching its temporal competency
  • Single forward-pass option scoring — no autoregressive decode; scores answer options in one pass
  • Multiframe temporal reasoning: 6/6 held-out jitter suites @1.000, stable across seeds (999/42/43)
  • ScienceQA image-only 85.3% (N=143) — slightly above the 0.8B ni model
  • ~25-frame context fits max_len 2048 thanks to SmolVLM2's token-efficient video encoding
  • Fast: 0.052 s 1-frame / 0.081 s 2-frame (GB10, bf16)
  • Edge-validated: RKNN fp16 port on RK3588 showed 10/10 agreement with the bf16 host model

Results

TestResult
Multiframe temporal, held-out jitter N=50 × 6 suites1.000 each (6/6 @1.000), stable across seeds 999/42/43
ScienceQA image-only (N=143)85.3%
Speed, 1-frame / 2-frame (GB10, bf16)0.052 s / 0.081 s
COCO general VQA (519 auto-generated MCQs, eval only)83.0% overall
— count33.7%
— attribute98.0%

Comparison with instinct-vision-ni (0.8B, same clean-data recipe):

Testni (0.8B)san (this model, 500M)
Multiframe temporal N=50 × 6 suites1.000 each1.000 each
ScienceQA image-only N=14384.6%85.3%
Speed 1-frame / 2-frame0.056 / 0.097 s0.052 / 0.081 s

san matches ni on every temporal suite, slightly beats it on the ScienceQA spot-check and on attribute/VQA-style general questions, at ~60% of the parameter count.

Honest caveat: counting/numeric QA is weak (~34% on COCO count questions). For counting tasks, pair this model with an object detector.

Training data (full disclosure)

SourceExamplesLicenseNotes
ScienceQA (derek-thomas/ScienceQA mirror, train split)5,000CC BY-SA 4.0general VQA retention
AI2D (lmms-lab-encoder/ai2d, test split, first 250 rows excluded)2,821CC BY-SA 4.0 (mirror card carries no explicit tag — caveat noted)diagram QA; ⚠️ future AI2D evals on this split are contaminated for this model
Synthetic temporal pairs from own camera snapshots (PIL jitter, 896px)5,000self-made photos, Apache-2.0 usedelta/same/which × pair-type × polarity grid; private frames used at train time only, never shipped
Total12,821

Excluded by design: A-OKVQA, VQAv2, any COCO-image training set (COCO used for evaluation only), iconqa (NC), chartqa (GPL), VLFeedback/RichHF/CrisisMMD (NC).

Architecture & training

  • Backbone: HuggingFaceTB/SmolVLM2-500M-Video-Instruct (Apache 2.0), natively video/multi-frame
  • laya-vision scoring head, full-model finetune (head-only freeze was tried first and fails temporal order binding on this backbone: which-reversed 0/50 — the backbone must be finetuned at low lr to bind frame order)
  • lr 1e-4 head / 1e-5 backbone, batch size 8, max_len 2048, AdamW8bit, 4,800 steps (~3,100s on GB10)
  • Post-loop per-type temperature calibration (filtered 3.5k mix)

Usage

Requires the laya-vision package. See example.py for a runnable snippet.

from laya import VLMAgent

model = VLMAgent("spele1100/instinct-vision-san", device="cuda", dtype="bf16")

# Single-frame QA
result = model.score({"images": ["frame.jpg"], "prompt": "What changed?"})

# Multi-frame temporal reasoning — frames in temporal order
result = model.score({"images": ["f1.jpg", "f2.jpg"], "prompt": "Did the object appear or disappear?"})

State dict accepts {"images": [...]} for multi-frame input; ~25 frames fit max_len 2048.

License

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

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
3d82c52

0 моделей