Визуально-языковая модель на базе Qwen2.5-VL для пространственного восприятия и рассуждений по изображениям и видео.

Подходит для: подсчёт объектов на изображении · определение взаимного расположения объектов · оценка относительных расстояний и размеров объектов

VST-3B-RL — визуально-языковая модель для пространственного восприятия и рассуждений по изображениям, нескольким изображениям и видео.

Подходит для: ответы на вопросы о расположении объектов на изображении · подсчёт объектов и оценка их относительного размера · оценка расстояний и направлений между объектами

VST-7B-SFT — дообученная визуально-языковая модель для анализа изображений и решения задач пространственного восприятия и рассуждения.

Подходит для: подсчёт объектов на изображении · оценка относительного расстояния и размера объектов · определение направлений и пространственных отношений

VST-3B-SFT — дообученная мультимодальная модель Qwen2.5-VL для пространственного анализа изображений и ответов на вопросы о сценах.

Подходит для: подсчёт объектов на изображении · оценка размеров и расстояний между объектами · определение взаимного расположения и направления объектов