/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Библиотека
transformers
Опубликована
26 сен 2026

raya-decision-v1

Вопросы по изображениюИзображение, текст → текст3 профессии

Raya Decision v1 — мультимодальная модель на базе Qwen3.5-2B, которая быстро выбирает ответ из заданных вариантов по тексту, изображениям и видео.

76скачиваний за 30 дней0лайковвеса обновлены26 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

Raya Decision v1 — мультимодальная модель принятия решений, разработанная автором репозитория на базе Qwen3.5-2B. Она принимает контекст и вопрос вместе с набором вариантов ответа и за один проход вычисляет вероятности вариантов; модель не предназначена для диалога и не генерирует свободный текст. Для выбора ответа варианты передаются с метками A/B/C и далее, а вероятности вычисляются только по соответствующим меткам.

Модель рассчитана на задачи visual question answering с текстом и изображениями; в README также описана обработка видео с выборкой восьми кадров. Архитектура — Qwen3.5 с 2,2 млрд параметров; заявлено контекстное окно 262 тыс. токенов. Обучение включало SFT с LoRA, полное дообучение и калибровочную дистилляцию с GRPO. В ограниченной тестовой оценке автор сообщает точность 86,67% на RACE, 95% на KonIQ и GQA и 90% на NExT-QA; эти результаты получены на 90 отложенных примерах и не гарантируют качество на других данных.

Для видео требуется фиксированная выборка из восьми кадров; длинные ролики и детали между кадрами могут обрабатываться недостаточно полно. Калибровочная ошибка ECE после RLCD составляет 0,0855, немного выше указанной цели 0,08. Модель опубликована под лицензией Apache-2.0, однако README отмечает исследовательские ограничения лицензий обучающих наборов и рекомендует переобучение на коммерчески лицензированных данных для коммерческого применения.

Сценарии применения

  • выбор правильного варианта в вопросах по изображению
  • ответы на вопросы по содержанию видео с выборкой кадров
  • решение тестов с несколькими вариантами ответа по тексту
  • оценка вероятности каждого из предложенных ответов
  • отбор неуверенных решений для передачи более крупной модели

Ограничения

Модель выбирает только из заданных вариантов и не подходит для открытого диалога или генерации текста; обработка видео ограничена выборкой восьми кадров. Заявленная ECE 0,0855 немного превышает целевой показатель, а коммерческое применение требует учитывать исследовательские ограничения лицензий обучающих данных.

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

Raya: Multimodal Fast Decision Model

Raya is a multimodal System-1 fast decision model that replicates and extends the Jev decision paradigm from TypeSafe AI to multimodal inputs (text + image + video). It is built on Qwen3.5-2B and trained with a three-stage pipeline: SFT-LoRA → Full Fine-tuning → RLCD (RL-based Calibration Distillation with GRPO).

Model Hub: yuyu199741/raya-decision-v1


What is Raya?

Raya is not a chat model. It does not generate text. Instead, it performs single-forward-pass decision making: given a context (text/image/video), a question, and a set of candidate options, it outputs a probability distribution over the candidates in one forward pass — no autoregressive generation, no text output.

Key Design Principles (Jev Paradigm)

  1. No autoregression: Zero generation steps. A single forward pass produces the decision. Latency in milliseconds.
  2. Masked projection: Last-position logits are projected onto candidate label tokens only (local softmax over candidates, not the full vocabulary). Output is structurally verifiable — the model physically cannot produce anything outside the candidate set.
  3. RLCD calibration: Post-training with strictly proper scoring rules (Brier/log score) + GRPO for confidence calibration. Confidence scores are meaningful and can be used for gating (e.g., escalate to System-2 when uncertain).
  4. Dynamic candidate space: Candidates are passed as structured JSON with each request. The model is agnostic to the number/content of options — 3 or 10 options is just a matter of how many logit positions to extract.

What Makes Raya Different

ModelModalityCalibrationDecision Format
LayaText onlyNoText generation
OpenJevText onlyNoText generation
jev-visualImage onlyNoText generation
RayaText + Image + VideoYes (RLCD)Masked projection, no generation

Model Architecture

  • Base: Qwen3.5-2B (natively multimodal, 2026-02 release, Apache 2.0)
  • Architecture: Hybrid Gated DeltaNet + Gated Attention (3:1 ratio, 24 layers) + sparse MoE FFN
  • Context window: 262K tokens
  • Parameters: 2.2B (all parameters fine-tuned in Stage 2)

Training Pipeline

StageMethodParametersDataGoal
Step 0Teacher distillation (MiniMax-M3)—Soft labels for ambiguous casesDistribution estimation
Step 1SFT-LoRA17M LoRA paramsrace + koniq + gqa + nextqa (~250K)Learn decision format
Step 2Full fine-tuningAll 2.2B paramsSame as Step 1Deepen judgment ability
Step 3RLCD (GRPO)All 2.2B paramsSame + Brier rewardConfidence calibration

Performance

Held-out Evaluation (90 samples, never seen during training)

ModalityAccuracyvs Zero-shot Baseline
Text (RACE)86.67%+50.0pt
Image (KonIQ + GQA)95.00%+42.5pt
Video (NExT-QA)90.00%+25.0pt
Overall91.11%+41.1pt

Calibration (ECE)

StageECE
Before RLCD (Full FT)0.1221
After RLCD0.0855

Target: ECE ≤ 0.08. High-confidence buckets (0.9-1.0) are nearly perfectly calibrated (gap = 0.2%).

Latency (measured on NVIDIA H20)

ModalityLatencyBottleneck
Text43ms✅ Production-ready
Image61ms✅ Production-ready
Video1373ms⚠️ 64% is CPU video decoding, not model forward

Usage

Installation

pip install torch transformers pillow
# For video inference:
pip install av

Text Decision

import torch
from transformers import AutoModelForImageTextToText, AutoTokenizer

model = AutoModelForImageTextToText.from_pretrained(
    "yuyu199741/raya-decision-v1", dtype=torch.bfloat16
).cuda().eval()
tokenizer = AutoTokenizer.from_pretrained("yuyu199741/raya-decision-v1")

text = """User: 帮我把明天下午3点的会议改到4点。这个请求的意图是什么?

A. 修改会议时间
B. 创建新会议
C. 取消会议
D. 查询会议详情

Answer with exactly one label from the options above."""

inputs = tokenizer(text, return_tensors="pt").to("cuda")
with torch.no_grad():
    logits = model(**inputs).logits

# Masked projection: extract logits at candidate label token positions
last_logits = logits[0, -1, :]
label_token_ids = {
    "A": tokenizer.encode(" A", add_special_tokens=False)[0],
    "B": tokenizer.encode(" B", add_special_tokens=False)[0],
    "C": tokenizer.encode(" C", add_special_tokens=False)[0],
    "D": tokenizer.encode(" D", add_special_tokens=False)[0],
}

selected = torch.tensor([last_logits[tid].item() for tid in label_token_ids.values()])
probs = torch.softmax(selected, dim=-1)

for label, prob in zip(label_token_ids.keys(), probs):
    print(f"{label}: {prob:.2%}")

Image Decision

from PIL import Image
from transformers import AutoProcessor

processor = AutoProcessor.from_pretrained("Qwen/Qwen3.5-2B")  # Load from base repo

image = Image.open("photo.jpg").convert("RGB")
text = """<|vision_start|><|image_pad|><|vision_end|>

Rate the overall technical quality of this image.

A. very poor
B. poor
C. fair
D. good
E. excellent

Answer with exactly one label from the options above."""

enc = processor(text=[text], images=[image], return_tensors="pt").to("cuda")
with torch.no_grad():
    logits = model(**enc).logits
# ... same masked projection logic

Video Decision

text = """<|vision_start|><|video_pad|><|vision_end|>

What did the person do first in this video?

A. opened the door
B. sat down
C. picked up the cup
D. left the room

Answer with exactly one label from the options above."""

enc = processor(
    text=[text], videos=["clip.mp4"], return_tensors="pt",
    fps=None, num_frames=8, cap_pixels_per_frame=True,  # Fixed frame count, not fps-based
).to("cuda")
with torch.no_grad():
    logits = model(**enc).logits
# ... same masked projection logic

Critical Rules

  1. Do NOT use model.generate(): This model does not generate text. It produces logits at the last position, and you extract the candidate label probabilities via masked projection.
  2. Candidate labels are A/B/C/D...: The prompt must render options as "A. option text" format. The model only looks at the logits of these label tokens.
  3. Video must use fixed frame count: Use num_frames=8, cap_pixels_per_frame=True. Do NOT use fps parameter (fps-based sampling explodes token count for long videos).
  4. Processor loads from base repo: AutoProcessor.from_pretrained("Qwen/Qwen3.5-2B"), not from the model directory (save_pretrained doesn't save processor config).

Training Data

DatasetModalitySplitSizeLicense
RACETexttrain40,000research-only
KonIQ-10kImagetrain7,058research-only (KonIQ-10k EULA / YFCC100M)
GQAImagetrain_balanced200,000research-only (GQA / Visual Genome)
NExT-QAVideotrain (from MC/test parquet)7,209research-only (NExT-QA / VidOR)

Note: All training data is research-only licensed. This model is for research use only.


Limitations

  1. Not a general-purpose chat model: It only does decision-making from candidate options. It cannot answer open-ended questions or generate text.
  2. Video frame sampling: Videos are sampled at 8 fixed frames (not fps-based). This is sufficient for action/sequence understanding but may miss frame-level details in long videos.
  3. Research license: All training datasets are research-only. Commercial use requires re-training with commercially licensed data.
  4. Calibration near target but not exact: ECE = 0.0855, slightly above the 0.08 target. High-confidence predictions are well-calibrated; low-confidence predictions have fewer samples and less statistical significance.
  5. 2B model ceiling: Video understanding is inherently limited by the 2B parameter budget. For more demanding video tasks, consider a larger base model.

Citation

If you use Raya in your research, please cite:

@misc{raya2026,
  title={Raya: Multimodal Fast Decision Model with Jev Paradigm},
  author={yuyu199741},
  year={2026},
  howpublished={\url{https://huggingface.co/yuyu199741/raya-decision-v1}},
}

Acknowledgments

  • Base model: Qwen3.5-2B by Alibaba Cloud
  • Jev paradigm: TypeSafe AI's Jev decision paradigm
  • Training framework: PyTorch + Hugging Face Transformers + PEFT + Accelerate

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
036f2fb

0 моделей