К содержимому
Компьютерное зрение

1⃣ RAVEC-3B

мультимодальный чекпоинт для визуальной логики и математики

2 мин чтенияобновлено

RAVEC-3B — это верифицированный чекпоинт (сохранённое состояние весов) мультимодальной модели, способной анализировать изображения и отвечать на вопросы по ним. Модель создана автором Jack04810 на базе Qwen2.5-VL-3B-Instruct (версия на 3 миллиарда параметров) и соответствует основным результатам из таблицы 2 научной работы RAVEC. В отличие от базовой модели, этот экспорт представляет собой обученного Actor/student-агента на 175-м шаге обучения с фокусом на задачи визуальной математики, геометрии и логических рассуждений. Она пригодится исследователям и разработчикам, которым нужна компактная VLM (мультимодальная языковая модель) для решения сложных визуально-текстовых задач.

Ключевые особенности

  • База Qwen2.5-VL-3B-Instruct: компактный размер в 3B параметров упрощает локальное развёртывание через библиотеку transformers.
  • Высокая точность на визуальных тестах: средний балл Avg@8 (средняя точность по 8 генерациям) по десяти бенчмаркам составляет 54.42%, включая 87.98% на POPE и 66.54% на C-VQA-Real.
  • Верифицированные веса: файлы чекпоинта (шаг 175) побайтово сверены с манифестом обучения и снабжены SHA-256 хешами в checkpoint_manifest.json.
  • Готовность к работе в Transformers: веса лежат в подпапке RAVEC-3B и загружаются стандартными классами Qwen2_5_VLForConditionalGeneration.

Что можно сделать

  • Решать задачи по геометрии и математике по картинкам: использовать модель для разбора чертежей, графиков и условий из наборов уровня Geometry3K, MathVista и MathVerse.
  • Проверять визуальные гипотезы и снижать галлюцинации: применять модель в задачах VQA (ответы на вопросы по изображениям), где требуется точное определение наличия объектов (профиль теста POPE).
  • Воспроизводить результаты статьи RAVEC: использовать опубликованный чекпоинт как эталон для сравнения со своими файнтюнами на базе Qwen2.5-VL-3B.

Пример

from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration

repo = "Jack04810/RAVEC"
processor = AutoProcessor.from_pretrained(repo, subfolder="RAVEC-3B")
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    repo, subfolder="RAVEC-3B", torch_dtype="auto", device_map="auto"
)
ПодробнееБенчмарки (Avg@8): POPE — 87.98%, C-VQA-Real — 66.54%, We-Math — 61.68%, MathVista — 59.78%, MathVerse — 57.43%, средний балл по 10 тестам — 54.42%.
Совместимость: экспорт протестирован на Transformers 4.51.3, требуется версия с поддержкой Qwen2.5-VL.
Ограничения: в репозитории выложена только 3B-версия (шаг 175), чекпоинт на 7B в релиз не вошёл.
Лицензия: Qwen Research License (наследуется от Qwen2.5-VL-3B-Instruct).
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.7 GB9.0 GB
  • 4-bitвеса 4.3 GB5.3 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.

    # Jack04810/RAVEC
    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 Jack04810/RAVEC --local-dir ~/models/RAVEC
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к RAVEC
  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/Qwen2.5-VL-3B-Instruct

Новые посты про версии Qwen2.5-VL-3B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 7Все на Hugging Face

О модели

Jack04810/RAVEC
Автор
Jack04810
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии