/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Лицензия
MIT
Архитектура
llava_qwen3 · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
18 окт 2025

UniFilter-Qwen3-0.6B

Изображение и текст → текст3 профессии

Мультимодальный классификатор, который оценивает качество пар изображение–текст и документов для отбора обучающих данных.

82скачиваний за 30 дней1лайквеса обновлены21 окт 2025

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

UniFilter-Qwen3-0.6B — мультимодальный классификатор качества данных, разработанный авторами UniFilter для фильтрации наборов данных, используемых при обучении мультимодальных языковых моделей. Он оценивает качество пар изображение–текст и документов с чередующимися изображениями и текстом, выдавая оценку качества для отбора примеров.

Модель объединяет языковую основу Qwen3-0.6B и визуальный энкодер SigLIP 2 SO400M; в метаданных архитектура указана как LlavaQwen3Classifier. Вместо языковой головы генерации текста используется голова оценки качества. Модель содержит 507,9 млн параметров, принимает изображения и текст и обучалась на синтетических парах примеров с оценками качества. Для репозитория указано контекстное окно 40 960 токенов.

Модель предназначена для пакетного выставления оценок и фильтрации мультимодальных обучающих данных, включая подписи к изображениям и документы со смешанными текстовыми и визуальными фрагментами. Она компактнее упомянутой в README версии UniFilter на 1,5 млрд параметров. README описывает обучение классификатора и генерацию оценок, но конкретные показатели качества для этой версии не приводит. Лицензия — MIT.

Сценарии применения

  • оценка качества подписей к изображениям
  • фильтрация низкокачественных пар изображение–текст
  • ранжирование примеров для обучения мультимодальных моделей
  • оценка качества документов с чередующимися текстом и изображениями
  • пакетная очистка мультимодальных обучающих наборов

Ограничения

README не приводит количественных показателей качества именно этой версии. Модель ориентирована на оценивание качества мультимодальных примеров, а не на универсальную генерацию ответов.

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

UniFilter

Official implementation of Train a Unified Multimodal Data Quality Classifier with Synthetic Data accepted by EMNLP 2025 Findings.

Release

  • [10/21/2025] 🔥 We released UniFilter model at UniFilter-Qwen3-0.6B. It is constructed on Qwen3-0.6B and SigLIP-2, which achieves better classification performance with much less model parameters.
  • [10/19/2025] 🔥 We released UniFilter model at UniFilter-Qwen2.5-1.5B. Empowered by a strong 1.5B LLM backbone, the UniFilter model achieves best inference speed on quality score generation and the classification accuracy.

Introduction

UniFilter is a Unified Multimodal Data Quality Classifier for High-Quality Multimodal Data Filtering, which can generate quality scores for both image-text caption and interleaved document data. Such quality scores can be further used for high-quality data filtering to significantly strengthen the capability of pre-trained MLLMs.

This repo supports

Installation

If you just require the quality score generation, please install the customized LLaVA package only.

conda create -n unifilter python=3.10
conda activate unifilter
pip install -e LLaVA
pip install flash-attn==2.5.2 --no-build-isolation

Synthetic Data Generation for UniFilter Training

We instruct Claude-3 or Claude-3.5 to generate the desired (multimodal data example, quality score) pairs across 4 designated quality levels. The synthetic data generation scrips are:

Data Preparation for UniFilter Training

UniFilter is trained a large-scale set of (multimodal data example, quality score) pairs, which contains both caption data and interleaved document data. The synthetic multimodal example-score paired data are available at UniFilter-Post-Train-Data.

UniFilter Training

We develop the UniFilter training and scoring codebase based on LLaVA-Unified repo, which is adapted from LLaVA with the support for recent LLMs and Vision Encoders.

The architectural design of UniFilter contains three modules, the vision encoder, the visual projector, and the LLM Backbone. Different from a MLLM, the LLM Backbone does not have a language modeling head and we replace it with a score generation head. All these module parameters are specified with:

  • --mm_projector_type: visual projector, i.e. aapool_mlp representing average pooling vision projector with 144 tokens for one image
  • --vision_tower: vision encoder, i.e. SigLIP-SO-400M with 384px resolution
  • --model_name_or_path: LLM Backbone, i.e. Qwen2.5-0.5B-Instruct

Visual Projector Pre-Training (Stage 1)

Please download the 558K subset of the LLAVA-Pretrain caption dataset LLaVA-Pretrain.

Training script with DeepSpeed ZeRO-2: pretrain.sh.

UniFilter Classifier Training (Stage 2)

Training script with DeepSpeed ZeRO-3: train_classifier.sh.

Our training script will upload the metrics to wandb. The best UniFilter model is saved based on the best quality classification accuracy on the validation sets.

Quality Score Generation

Caption Data Quality Scoring

python data_scoring/data_quality_classifier_caption_scoring.py \
    --model-path weizhiwang/UniFilter-Qwen2.5-1.5B \
    --tar-file-path data/datacomp/medium_vanilla_filter\ 
    --gpu-id 0 \
    --batch-size 4 \
    --tars-per-gpu 256 \

Interleaved Data Quality Scoring

python data_scoring/data_quality_classifier_interleaved_scoring.py \
    --model-path weizhiwang/UniFilter-Qwen2.5-1.5B \
    --tar-file-path data/OBELICS/obelics_webdataset\ 
    --gpu-id 0 \
    --batch-size 1 \
    --tars-per-gpu 128 \

Parameters to note:

  • --gpu-id: for large-scale score generation using multi-machines, specify the index of machines
  • --model-path: path to the UniFilter model checkpoint
  • --tar-file-path: path to the webdataset image-text caption data or interleaved document data tars
  • --tars-per-gpu: the number of webdataset tars for a single-gpu to inference on

Citation

Please cite our paper if you find this repository interesting or helpful:

@article{UniFilter,
   title={Train a Unified Multimodal Data Quality Classifier with Synthetic Data},
   author={Wang, Weizhi and Lin, Rongmei and Li, Shiyang and Lockard, Colin and Sarkhel, Ritesh and Lokegaonkar, Sanket and Shang, Jingbo and Yan, Xifeng and Zalmout, Nasser and Li, Xian},
   journal={arXiv preprint arXiv:2510.15162},
   year={2025}
 }

Acknowledgement

  • LLaVA: the codebase we built upon for UniFilter training.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура llava_qwen3 неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaQwen3Classifier
Ревизия весов
c363332

0 моделей