/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
11 сен 2026

foresight-qwen3vl-2b-sft

Изображение и текст → текст3 профессии

Foresight — мультимодальная модель навигации, которая по текстовой цели и истории RGB-наблюдений строит и самостоятельно оценивает траекторию.

337скачиваний за 30 дней2лайкавеса обновлены11 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

Foresight — дообученная мультимодальная модель для навигации в открытой среде, разработанная командой UT-AMRL. Она принимает текстовую цель и короткую историю RGB-наблюдений, предлагает траекторию в координатах изображения и критикует собственный план. Планирование движения и его критика совместно обучены в одном чекпойнте, поэтому при развёртывании обе функции выполняются одной моделью. Перевод принятого плана в метрические путевые точки BEV выполняет отдельная политика, не входящая в этот репозиторий.

Модель основана на Qwen3-VL-2B-Instruct и дообучена методом SFT с LoRA ранга 64 и alpha 64, применённой к линейным проекциям языковой и визуальной частей; адаптер объединён с базовыми весами. Архитектура Qwen3-VL, плотная; веса сохранены в bfloat16 и формате safetensors. Модель рассчитана на сценарии визуально-языковой навигации с последовательностью RGB-кадров и текстовыми инструкциями. Лицензия — Apache-2.0. Карточка не приводит длину контекста и конкретный перечень поддерживаемых языков.

Сценарии применения

  • планирование траектории робота по визуальным наблюдениям
  • навигация по естественно-языковой инструкции
  • самопроверка плана движения в открытой среде

Ограничения

Выдаёт траекторию в координатах изображения; преобразование в метрические путевые точки BEV требует отдельной политики, не входящей в репозиторий. В карточке не указаны длина контекста и языки обучения.

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

Foresight — Qwen3-VL-2B SFT

The supervised fine-tuned vision-language model behind Foresight, a navigation policy that iteratively discovers instruction-relevant visual clues and refines its motion plans for open-world navigation.

What this checkpoint does

Given a natural-language goal and a short history of RGB observations, the model proposes an image-space trajectory and critiques its own proposal. Motion planning and critique were co-trained into this single checkpoint, so both roles are served by one vLLM engine at deployment time.

Converting the accepted plan into metric BEV waypoints is handled by a separate grounding policy, which is not part of this repository.

Usage

The deployment stack loads this model through vLLM by repo ID. In legged_deployment/config/vllm_server_sft.yaml:

model_overrides:
  vlm:
    provider_kwargs:
      model: "ut-amrl/foresight-qwen3vl-2b-sft"

It also loads directly with transformers:

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "ut-amrl/foresight-qwen3vl-2b-sft", dtype="bfloat16", device_map="auto"
)
processor = AutoProcessor.from_pretrained("ut-amrl/foresight-qwen3vl-2b-sft")

Prompts are constructed by the Foresight codebase; see https://github.com/ut-amrl/foresight_public for the runnable deployment stack.

Training

Fine-tuned from Qwen/Qwen3-VL-2B-Instruct with LoRA (rank 64, alpha 64) applied to all linear projections in both the language and vision towers. The adapter has been merged into the base weights, so no PEFT dependency is needed at inference. Weights are bfloat16.

Citation

@article{zhang2026foresight,
  title={Foresight: Iterative Reasoning About Clues that Matter for Navigation},
  author={Zhang, Arthur and Qi, Carl and Su, Donne and Meng, Xiangyun and Zhang, Amy and Biswas, Joydeep},
  journal={arXiv preprint arXiv:2606.12550},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
d9d7008

0 моделей