К содержимому
Компьютерное зрение

HuatuoGPT-Vision-2-Grader

мультимодальный оценщик ответов для медицины и RL

2 мин чтенияобновлено

Мультимодальная модель-судья (grader), которая оценивает качество ответов нейросетей по заданным критериям с опорой на медицинские изображения или чистый текст. Она построена на базе Qwen3-VL-8B-Instruct (8.77B параметров) от команды FreedomIntelligence и обучена на оценках GPT-4.1. В отличие от обычных чат-моделей, грейдер за один проход проверяет весь список правил и выдаёт строгий JSON-массив значений true/false, по которому удобно считать итоговую награду. Инструмент пригодится исследователям и разработчикам для обучения моделей методом RL (обучение с подкреплением) и автоматической валидации медицинских ассистентов.

Ключевые особенности

  • Высокая согласованность с GPT-4.1: на отложенной тестовой выборке из 1 165 кейсов (25 191 критерий) модель достигает 91.9% общего совпадения с разметкой GPT-4.1 (92.4% на медицинских снимках из PubMed и 93.6% на HealthBench Professional).
  • Гарантированный формат вывода: на выходе всегда формируется валидный JSON-список булевых значений ровно той длины, сколько критериев было передано в промпте.
  • Поддержка штрафов и наград: система понимает как положительные критерии (например, +5pts за верный диагноз), так и отрицательные (например, -4pts за выдуманную патологию), вычисляя нормированную награду в диапазоне [0, 1].
  • Готовность к масштабированию: помимо стандартного запуска через transformers, в репозитории есть скрипт пакетной оценки score.py и поддержка развёртывания через SGLang и vLLM как OpenAI-совместимого сервера.

Что можно сделать

  • Настроить RL-обучение (GRPO/PPO): использовать модель как reward-сервер для дообучения мультимодальных медицинских VLM на открытых вопросах без необходимости платить за API закрытых моделей.
  • Автоматизировать бенчмаркинг: прогонять пакеты диалогов со снимками (рентген, графики из статей) через score.py для объективного сравнения разных версий своих моделей по строгому чек-листу.
  • Фильтровать синтетические датасеты: отсеивать ответы с галлюцинациями и фактологическими ошибками в медицинских и общих текстовых диалогах перед SFT-обучением.

Пример

from PIL import Image
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "FreedomIntelligence/HuatuoGPT-Vision-2-Grader"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, dtype="auto", device_map="auto").eval()
# Подаём изображение и промпт GRADING_TEMPLATE с диалогом и списком критериев
# Выход модели — JSON-список по порядку критериев: [true, true, false]
ПодробнееБазовая модель: Qwen/Qwen3-VL-8B-Instruct (8.77B параметров).
Метрики согласованности с GPT-4.1: 92.4% на PubMed figures (balanced accuracy 92.2%), 93.6% на HealthBench Professional (93.1%), 91.7% на общих и медицинских текстах (91.6%).
Ограничения: при инференсе процессор сжимает изображения максимум до 921 600 пикселей (разрешение обучения); в протоколе RL отбрасывается блок размышлений (thinking) и оцениваются первые 10 000 символов ответа.
Обсудить Telegram 1 14

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 16 GB · готовые файлы18 GB
  • FP8 / INT8рекомендуемвеса 8.2 GB9.5 GB
  • 4-bitвеса 4.6 GB5.6 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 3080 · BF16 — от RTX 4090

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.

    # FreedomIntelligence/HuatuoGPT-Vision-2-Grader
    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 FreedomIntelligence/HuatuoGPT-Vision-2-Grader --local-dir ~/models/HuatuoGPT-Vision-2-Grader
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к HuatuoGPT-Vision-2-Grader
  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-8B-Instruct

Новые посты про версии Qwen3-VL-8B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

FreedomIntelligence/HuatuoGPT-Vision-2-Grader
Автор
FreedomIntelligence
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

141

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

TinyForge-Vision-222M

TinyForge-Vision-222M