/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
27 дек 2025

HOI-R1_Qwen2.5-VL-3B-Instruct

Изображение и текст → текст3 профессии

HOI-R1 — дообученная мультимодальная модель для обнаружения взаимодействий между людьми и объектами на изображениях.

173скачиваний за 30 дней1лайквеса обновлены27 дек 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

HOI-R1 — мультимодальная модель для обнаружения взаимодействий между людьми и объектами на изображениях. Она создана на основе Qwen2.5-VL-3B-Instruct и исследует применение рассуждений мультимодальных языковых моделей и оптимизации в стиле обучения с подкреплением для повышения качества обнаружения таких взаимодействий. Модель принимает изображения и текстовые запросы, а результат формулирует текстом; архитектура Qwen2.5-VL имеет 3,1 млрд параметров и поддерживает контекст до 128 000 токенов.

Модель подходит для анализа сцен с людьми и объектами и определения их взаимодействий. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка описывает исследовательское направление, но не приводит результатов оценки, деталей обучения или подтверждённых ограничений качества.

Сценарии применения

  • определение взаимодействий людей с предметами на изображении
  • анализ действий человека в визуальной сцене
  • ответы на вопросы о взаимодействиях людей и объектов на изображении

Ограничения

В карточке не приведены результаты количественной оценки, детали обучения и конкретные ограничения качества обнаружения.

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

HOI-R1: Exploring the Potential of Multimodal Large Language Models for Human-Object Interaction Detection

arXiv

HOI-R1 is inspired by recent advances in reinforcement learning for large language models and investigates how vision-language models can reason about and detect human-object interactions more effectively.


🔍 Overview

  • Task: Human-Object Interaction Detection (HOID)
  • Our Motivation:
    Leverage the reasoning capability of Multimodal LLMs and reinforcement learning–style optimization to explore HOI detection performance.

hoi-r1-arch

📌 Citation

If you find this work useful, please consider citing:

@article{chen2025hoi,
  title={HOI-R1: Exploring the Potential of Multimodal Large Language Models for Human-Object Interaction Detection},
  author={Chen, Junwen and Xiong, Peilin and Yanai, Keiji},
  journal={arXiv preprint arXiv:2510.05609},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
091064b

0 моделей