/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
19 ноя 2025

V2LO-7B

Компьютерное зрениеВидео, текст → текст

V2LO-7B анализирует видео и восстанавливает метрически обоснованную схему сцены для пространственных рассуждений.

25скачиваний за 30 дней5лайковвеса обновлены21 ноя 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

V2LO-7B — мультимодальная модель для пространственного анализа видео, разработанная в рамках проекта Video2Layout. Она восстанавливает метрически обоснованную схему сцены по видео: оценивает положения и размеры объектов и вычисляет физические расстояния между ними. Для пространственных рассуждений модель использует координаты границ объектов, чтобы получать количественные оценки вместо расплывчатых описаний отношений на естественном языке.

Модель построена на Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров и дообучена в два этапа: SFT и RL. Она принимает видео, в том числе наборы кадров, и выдаёт текстовый анализ; заявленное контекстное окно базовой конфигурации — 128 000 токенов. В README описан бенчмарк с входами от 1 до 16 кадров и способность обобщать симуляционные данные на реальные сцены. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • оценка расстояний между объектами в видеосцене
  • определение положения и размеров объектов по видео
  • восстановление схемы сцены с видом сверху
  • пространственные рассуждения по последовательности видеокадров

Ограничения

README не приводит количественных результатов качества и не описывает ограничения по типам сцен или условиям съёмки. В бенчмарке рассматривается до 16 входных кадров; пригодность для более длинных видео не подтверждена приведёнными данными.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Video2Layout: Recall and Reconstruct Metric-Grounded Cognitive Map for Spatial Reasoning

Video2Layout is a framework for reconstructing metric-grounded spatial layouts from video, leveraging continuous object boundary coordinates to quantify inter-object physical distances and object sizes. This equips the model with quantitative spatial computation capabilities, effectively mitigating the inherent ambiguity in describing spatial relationships through natural language. The framework adopts a two-stage SFT-to-RL training paradigm, enhancing the model's spatial reasoning abilities.

Paper: Video2Layout: Recall and Reconstruct Metric-Grounded Cognitive Map for Spatial Reasoning Code: https://github.com/ybrrraway/Video2Layout

🚀 Overview

🎯 Key Benefits:

  • Metric-Grounded Cognitive Map — an accurate bird's-eye view reflects the specific position of an object in the scene.
  • Spatial reasoning computation — rigorous mathematical calculations eliminate the fuzziness of traditional natural language COT description spatial relationship reasoning.
  • Generalization of real scenes — only the information of simulation data is needed, and there are no requirements for real scenarios.

QVS-Bench is a diagnostic benchmark for systematically evaluating how the quantity of image inputs impacts spatial reasoning accuracy. It maintains a substantially uniform proportional distribution across five input scale configurations (1, 4, 8, 12, and 16 frames), ensuring fair and unbiased analysis of the relevant mechanisms.

🛠️ Usage

(Step 1) Install

conda create -n v2lo python=3.10 -y
conda activate v2lo
pip install -r requirements.txt

(Step 2) Training

# SFT training
bash src/ms-swift/sft.sh
# Merge model
bash src/ms-swift/merge_lora.sh

# RL training
bash src/EasyR1/examples/rl.sh
# Merge model
cd src/EasyR1
python3 scripts/model_merger.py --local_dir checkpoints/easy_r1/exp_name/global_step_1/actor

Citation

@misc{2511.16160,
Author = {Yibin Huang and Wang Xu and Wanyue Zhang and Helu Zhi and Jingjing Huang and Yangbin Xu and Yangang Sun and Conghui Zhu and Tiejun Zhao},
Title = {Video2Layout: Recall and Reconstruct Metric-Grounded Cognitive Map for Spatial Reasoning},
Year = {2025},
Eprint = {arXiv:2511.16160},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
daf5d2b

0 моделей