/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
26 мая 2026

Vero-Qwen35-9B

Изображение и текст → текст6 профессий

Мультимодальная модель Vero на базе Qwen3.5-9B для диалогового анализа изображений и визуального рассуждения.

378скачиваний за 30 дней3лайкавеса обновлены26 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

Vero-Qwen35-9B — мультимодальная модель семейства Vero от Z Lab при Принстонском университете, дообученная на базе Qwen/Qwen3.5-9B с применением обучения с подкреплением. Она предназначена для диалогового визуального рассуждения: анализа изображений и диаграмм, задач по STEM, пространственного анализа, распознавания объектов и знаний, локализации, подсчёта, подписей к изображениям и следования инструкциям. Модель принимает текст и изображения и генерирует текстовые ответы.

Семейство Vero обучалось для широкого переноса навыков визуального рассуждения; авторы сообщают о сильных результатах на наборе VeroEval и открыли обучающий код, данные и оценивание. Для Vero-Qwen35-9B указаны архитектура Qwen3.5, 9 млрд параметров и библиотека Transformers. Модель распространяется по лицензии Apache-2.0. README не приводит отдельные результаты или ограничения именно этой версии; качество на конкретных задачах следует проверять на собственных данных.

Сценарии применения

  • ответы на вопросы по изображениям и диаграммам
  • решение задач STEM по визуальным данным
  • пространственное рассуждение по сценам и объектам
  • распознавание и подсчёт объектов на изображениях
  • извлечение информации и локализация элементов изображения

Ограничения

README не сообщает отдельных результатов или ограничений для версии Vero-Qwen35-9B; качество на конкретных данных и сценариях следует проверять отдельно.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vero-Qwen35-9B

Vero is an open RL model family for general visual reasoning. It releases models, data, evaluation, and training code for broad multimodal reasoning across charts, STEM, spatial reasoning, knowledge, grounding, counting, and instruction following.

GitHub HF Models HF Dataset Project Page

Models

ModelHF repoBase modelParams
Vero-Qwen3I-8Bzlab-princeton/Vero-Qwen3I-8BQwen3-VL-8B-Instruct8B
Vero-Qwen3T-8Bzlab-princeton/Vero-Qwen3T-8BQwen3-VL-8B-Thinking8B
Vero-MiMo-7Bzlab-princeton/Vero-MiMo-7BMiMo-VL-7B-SFT-25087B
Vero-Qwen25-7Bzlab-princeton/Vero-Qwen25-7BQwen2.5-VL-7B-Instruct7B

Highlights

  • Fully open release of models, training code, evaluation, and the Vero-600K dataset.
  • 600K curated RL samples from 59 datasets across 6 visual reasoning categories.
  • Trained for broad transfer across chart and OCR, STEM, spatial and action, knowledge and recognition, grounding and counting, and captioning and instruction following.
  • SOTA 8B on VeroEval, a 30-benchmark suite for general visual reasoning.
  • Improves performance across multiple base model families, including Qwen2.5-VL, Qwen3-VL, and MiMo-VL.

Usage

Example for zlab-princeton/Vero-Qwen35-9B:

from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
from qwen_vl_utils import process_vision_info

model_path = "zlab-princeton/Vero-Qwen35-9B"

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_path)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "path/to/image.jpg"},
            {"type": "text", "text": "What is the x axis value with the largest population?"},
        ],
    }
]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
).to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=2048)
output = processor.batch_decode(
    generated_ids[:, inputs.input_ids.shape[1]:],
    skip_special_tokens=True,
)[0]
print(output)

Vero models generate a reasoning trace in <think> tags followed by a final answer in <answer> tags. For downstream use, parse the final response from <answer>.

Recommended sampling parameters, following the Qwen3.5 defaults:

  • Thinking mode for general tasks: temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0, max_new_tokens=16384.

Citation

@misc{sarch2026vero,
  title={Vero: An Open RL Recipe for General Visual Reasoning},
  author={Sarch, Gabriel and Cai, Linrong and Wang, Qunzhong and Wu, Haoyang and Chen, Danqi and Liu, Zhuang},
  year={2026}
}

License

Vero is released under the Apache-2.0 license. Users should also review the licenses and usage terms of the underlying base models and any upstream datasets.

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
b5933e7

0 моделей