UAV-PUR-8B

UAV-PUR-8B — vision-language модель на базе Qwen3-VL-8B-Instruct, дообученная на данных Drone-PUR. Это 8,77 млрд параметров для распознавания, подсчёта, grounding, пространственных и условных суждений, а также рассуждений по одному или нескольким изображениям. Поддерживает ответы с выбором варианта и открытые предсказания боксов/количества.

⚡ Ключевые особенности

• 🔍 Задачи: recognition, counting, grounding, spatial judgment, conditional judgment и single-/multi-image reasoning.
• 📌 Репозиторий содержит полный merged-чекпоинт в BF16 safetensors: языковые веса, основной visual merger и три DeepStack merger.
• 🖥 Не нужен отдельный base-model или PEFT-адаптер; processor и chat template включены.
• 🔄 Для оценки поддерживаются MMR (RGB → TIR), MVR (два ракурса) и MIG (временные кадры).
• 🛡 Веса — Apache-2.0; у датасета Drone-PUR отдельная лицензия CC BY-NC-SA 4.0.

📌 Пример

import torch
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration
model_id = "Henard224/UAV-PUR-8B"
model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
).eval()
processor = AutoProcessor.from_pretrained(model_id, max_pixels=1003520)
# messages: image + text, затем model.generate(...)

Подробнее

8,77 млрд параметров; полный merged-чекпоинт в BF16, отдельный PEFT-адаптер не нужен.
Нужны transformers>=4.57, PyTorch, Accelerate и Pillow; оценка — по промптам Drone-PUR.
Веса под Apache-2.0, датасет Drone-PUR — CC BY-NC-SA 4.0.
Язык по метаданным — английский; численные метрики в карточке не приведены.