К содержимому
Компьютерное зрение

MedVE-4B

медицинская VLM с поиском визуальных улик на снимках

3 мин чтенияобновлено

MedVE-4B — модель на 4,44 млрд параметров от разработчика erow, созданная на базе Qwen3-VL-4B-Instruct для ответа на медицинские вопросы по изображениям (Visual Question Answering). На выходе она выдаёт не только ответ и рассуждения, но и до шести конкретных областей на снимке в виде пар «концепт — координаты рамки (bounding box)». В отличие от обычных моделей, которые могут угадывать ответ из текста вопроса или рисовать рамки наугад, MedVE-4B дообучена методом RL (обучение с подкреплением) так, чтобы выделенные области реально позволяли отдельной замороженной нейросети ответить на вопрос — с контрольной проверкой на чёрном фоне. Модель пригодится исследователям в области медицинского ИИ и визуального граундинга (привязки текста к областям картинки).

Ключевые особенности

  • Обучение с проверкой на пустом экране: во время RL награда за рамку даётся только в том случае, если замороженная модель-ответчик правильно отвечает по вырезанным областям, но ошибается при подаче полностью чёрного изображения.
  • Структурированный вывод: по системному промпту модель сначала формирует блок с координатами (нормализованными к шкале от 0 до 1000) и описанием находок, затем рассуждение в и итог в .
  • Устойчивость в режиме с рамками: на панели бенчмарков MedixEval при запросе визуальных доказательств (режим pv) модель показывает 53,11% средней точности против 31,60% у базовой Qwen3-VL-4B-Instruct и 37,97% у MediX-R1-4B.
  • Полные веса в BF16: это не LoRA-адаптер, а полноценный чекпоинт, готовый к запуску через стандартную библиотеку transformers без вспомогательных моделей оценки.

Что можно сделать

  • Исследовать интерпретируемость в медицинском VQA: запускать модель на датасетах вроде SLAKE, VQA-RAD или PathVQA, чтобы анализировать, какие зоны снимка модель считает ключевыми для ответа.
  • Сравнивать режимы рассуждений: тестировать разницу между прямым ответом (режим no) и пошаговым выводом с обязательным выделением областей интереса (режим pv).
  • Использовать как базовый чекпоинт для экспериментов: дообучать модель на собственных размеченных или неразмеченных наборах медицинских изображений с помощью GRPO/FIPO-подходов.

Пример

from PIL import Image
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

model = Qwen3VLForConditionalGeneration.from_pretrained("erow/MedVE-4B", dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained("erow/MedVE-4B")
messages = [{"role": "user", "content": [{"type": "image", "image": Image.open("medical_image.png").convert("RGB")}, {"type": "text", "text": "What abnormality is visible?"}]}]
inputs = processor.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
print(processor.batch_decode(model.generate(**inputs, max_new_tokens=2048, do_sample=False), skip_special_tokens=True)[0])
ПодробнееБенчмарки (MedixEval, 11 630 вопросов, судья Qwen3-14B): средняя точность в режиме no — 53,70% (у базы 49,54%), в режиме pv с выводом рамок — 53,11% (SLAKE: 73,14%, VQA-RAD: 62,08%, PathVQA: 48,67%).
Обучение: SFT-этап (V4-SFT) и 200 шагов RL на 51 335 парах изображение–вопрос из MediX-R1 без разметки рамок (алгоритм FIPO, lr 1e-6, контекст до 16 384 токенов, до 4,19 Мп на изображение).
Ограничения: исследовательская модель без клинической валидации, не предназначена для постановки диагнозов или принятия врачебных решений; требует свежую версию transformers (экспортирована в 5.10.1) и лицензирована по Apache 2.0 как производная от Qwen3-VL-4B-Instruct.
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.3 GB · готовые файлы9.6 GB
  • FP8 / INT8рекомендуемвеса 4.1 GB5.0 GB
  • 4-bitвеса 2.3 GB3.1 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 3080

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # erow/MedVE-4B
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download erow/MedVE-4B --local-dir ~/models/MedVE-4B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к MedVE-4B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3-VL-4B-Instruct

Новые посты про версии Qwen3-VL-4B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face

О модели

erow/MedVE-4B
Автор
erow
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Signpost-D 9B

Signpost-D 9B