/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Thinking
Библиотека
transformers
Опубликована
26 апр 2026

Qwen3-VL-4B-Thinking-SafeGRPO

Изображение и текст → текст3 профессии

Мультимодальная модель Qwen3-VL, дообученная методом GRPO для исследования безопасных ответов на запросы с изображениями.

65скачиваний за 30 дней0лайковвеса обновлены6 мая 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

Qwen3-VL-4B-Thinking-SafeGRPO — мультимодальная модель для работы с изображениями и текстом, созданная дообучением Qwen/Qwen3-VL-4B-Thinking методом GRPO с использованием фреймворка verl. Она предназначена для исследований по настройке безопасности мультимодальных языковых моделей: понимания изображений, рассуждений по визуальному контексту и генерации безопасных ответов. Модель принимает текст и изображения и выдаёт текст; в метаданных указаны архитектура Qwen3-VL и размер 4B в названии базовой модели.

Модель рассчитана прежде всего на эксперименты по постобучению и оценке согласования поведения с требованиями безопасности. В README приведены параметры обучения, включая максимальную длину промпта 2048 и ответа 4096 токенов; это параметры обучения, а не подтверждённое значение контекстного окна модели. Поддерживаются сценарии общения с визуальным контекстом. Лицензия — Apache-2.0.

Сценарии применения

  • исследование безопасности ответов на вопросы по изображениям
  • оценка безопасного визуального рассуждения
  • генерация ответов с учётом содержимого изображения
  • эксперименты по RL-настройке мультимодальных чат-моделей

Ограничения

Модель представлена как исследовательский чекпойнт настройки безопасности; README не приводит результаты оценок, поэтому качество и устойчивость защиты не подтверждены. Указанные длины промпта и ответа относятся к конфигурации обучения и не подтверждают размер контекстного окна.

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

Qwen3-VL-4B-Thinking-SafeGRPO

This repository contains a safety-aligned multimodal reasoning model fine-tuned from Qwen/Qwen3-VL-4B-Thinking using GRPO with the verl reinforcement learning framework.

The model is designed for research on post-training safety alignment of multimodal large language models, especially in scenarios involving image-text understanding, reasoning, and safe response generation.

Model Details

  • Base model: Qwen/Qwen3-VL-4B-Thinking
  • Fine-tuning method: GRPO
  • Training framework: verl
  • Rollout engine: vLLM
  • Model type: Vision-Language Model
  • Training objective: Multimodal safety alignment through reinforcement learning
  • License: Apache-2.0

Training Setup

The model was fine-tuned using Group Relative Policy Optimization, implemented with the verl framework.

The main training configuration is shown below:

#!/usr/bin/env bash

set -x

PROJECT_NAME=verl_grpo
EXPERIMENT_NAME=qwen3_vl_4b_thinking_safegrpo

ENGINE=${1:-vllm}

GPU_UTILIZATION=0.6

MODEL_PATH=Qwen/Qwen3-VL-4B-Thinking
TRAIN_FILES=./train_data/safetygrpo_train.parquet
VAL_FILES=./train_data/safetygrpo_test.parquet

TRAIN_BATCH_SIZE=256
MAX_PROMPT_LENGTH=2048
MAX_RESPONSE_LENGTH=4096
ROLLOUT_N=8
PPO_MINI_BATCH_SIZE=64
PPO_MICRO_BATCH_SIZE_PER_GPU=16
LOG_PROB_MICRO_BATCH_SIZE_PER_GPU=16
TENSOR_MODEL_PARALLEL_SIZE=1

SAVE_FREQ=3000
TEST_FREQ=10
TOTAL_EPOCHS=15

python3 -m verl.trainer.main_ppo \
    algorithm.adv_estimator=grpo \
    data.train_files=$TRAIN_FILES \
    data.val_files=$VAL_FILES \
    data.train_batch_size=$TRAIN_BATCH_SIZE \
    data.max_prompt_length=$MAX_PROMPT_LENGTH \
    data.max_response_length=$MAX_RESPONSE_LENGTH \
    data.filter_overlong_prompts=True \
    data.truncation='error' \
    data.image_key=images \
    actor_rollout_ref.model.path=$MODEL_PATH \
    actor_rollout_ref.actor.optim.lr=1e-6 \
    actor_rollout_ref.model.use_remove_padding=True \
    actor_rollout_ref.model.use_fused_kernels=True \
    actor_rollout_ref.actor.ppo_mini_batch_size=$PPO_MINI_BATCH_SIZE \
    actor_rollout_ref.actor.ppo_micro_batch_size_per_gpu=$PPO_MICRO_BATCH_SIZE_PER_GPU \
    actor_rollout_ref.actor.use_kl_loss=True \
    actor_rollout_ref.actor.kl_loss_coef=0.01 \
    actor_rollout_ref.actor.kl_loss_type=low_var_kl \
    actor_rollout_ref.actor.entropy_coeff=0 \
    actor_rollout_ref.model.enable_gradient_checkpointing=True \
    actor_rollout_ref.actor.fsdp_config.param_offload=False \
    actor_rollout_ref.actor.fsdp_config.optimizer_offload=False \
    actor_rollout_ref.rollout.log_prob_micro_batch_size_per_gpu=$LOG_PROB_MICRO_BATCH_SIZE_PER_GPU \
    actor_rollout_ref.rollout.tensor_model_parallel_size=$TENSOR_MODEL_PARALLEL_SIZE \
    actor_rollout_ref.rollout.name=$ENGINE \
    +actor_rollout_ref.rollout.engine_kwargs.vllm.disable_mm_preprocessor_cache=True \
    actor_rollout_ref.rollout.gpu_memory_utilization=$GPU_UTILIZATION \
    actor_rollout_ref.rollout.enable_chunked_prefill=True \
    actor_rollout_ref.rollout.enforce_eager=False \
    actor_rollout_ref.rollout.free_cache_engine=True \
    actor_rollout_ref.rollout.n=$ROLLOUT_N \
    actor_rollout_ref.ref.log_prob_micro_batch_size_per_gpu=$LOG_PROB_MICRO_BATCH_SIZE_PER_GPU \
    actor_rollout_ref.ref.fsdp_config.param_offload=True \
    algorithm.use_kl_in_reward=False \
    reward_model.reward_manager=batch \
    custom_reward_function.path=./reward/safetygrpo_qwen3.py \
    custom_reward_function.name=compute_score_batch \
    trainer.critic_warmup=0 \
    trainer.logger=wandb \
    trainer.project_name=$PROJECT_NAME \
    trainer.experiment_name=$EXPERIMENT_NAME \
    trainer.n_gpus_per_node=4 \
    trainer.nnodes=1 \
    trainer.save_freq=$SAVE_FREQ \
    trainer.test_freq=$TEST_FREQ \
    trainer.total_epochs=$TOTAL_EPOCHS \
    trainer.default_local_dir=./checkpoints/$PROJECT_NAME/$EXPERIMENT_NAME $@

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
e3ceda9

0 моделей