К содержимому
Компьютерное зрение

vbppo-qwen3-vl-4b-thinking

VLM с явным отслеживанием убеждений в диалоге

2 мин чтенияобновлено

Мультимодальная языковая модель (VLM — работает с изображениями и текстом), дообученная методом обучения с подкреплением VB-PPO (Verbalized-Belief PPO, адаптация метода Agent-BRACE). На каждом шаге диалога или игры модель структурирует ответ: сначала формирует цепочку рассуждений, затем фиксирует текущую картину мира в теге и выдаёт итоговое действие в . Релиз представляет собой полную модель объёмом 4.44B параметров на базе Qwen/Qwen3-VL-4B-Thinking от автора posterior-learning, в веса которой уже влит обученный LoRA-адаптер (небольшая надстройка над базовой моделью). Подойдёт исследователям RL-агентов и разработчикам, которым нужно, чтобы компактная VLM явно отслеживала скрытое состояние среды перед принятием решений.

Ключевые особенности

  • Пошаговая структура ответа: на каждом ходе модель генерирует рассуждения (до 8192 токенов), обновление состояния убеждений в (до 1024 токенов) и действие в (до 200 токенов).
  • Обучение с двумя сигналами награды: токены убеждений оценивались моделью-судьёй DeepSeek V4.1 Flash по формату и содержательным метрикам, а рассуждения и действия оптимизировались через PPO с отдельным критиком.
  • Полная совместимость с базой: адаптер (r 16, lora_alpha 32) влит в 252 модуля в точности fp32 с сохранением в bf16, при этом токенизатор, шаблон чата и конфиги процессора остались идентичными базовой Qwen3-VL-4B-Thinking.

Что можно сделать

  • Тестировать в игровых и интерактивных средах: использовать модель как мультимодального агента для пошаговых игр и задач, где нужно накапливать улики и обновлять гипотезы.
  • Анализировать логику принятия решений: отслеживать, как меняются внутренние гипотезы модели в блоке на каждом шаге взаимодействия со средой.
  • Использовать как бейзлайн для RL-экспериментов: запускать напрямую через библиотеку transformers без ручного подключения LoRA-адаптеров.

Пример

На каждом шаге работы модель формирует ответ по заданной в обучении схеме:
1. Цепочка внутренних рассуждений (лимит 8192 токена).
2. Блок ... с актуальным представлением о состоянии среды (лимит 1024 токена).
3. Блок ... с выбранным шагом (лимит 200 токенов).

ПодробнееБазовая модель: Qwen/Qwen3-VL-4B-Thinking (4.44B параметров, формат весов bf16, общий объём тензоров 8.88 ГБ).
Детали обучения: 50 обновлений PPO (16 эпизодов на обновление, 8 игр из suite_train), lr 1e-5, LoRA r 16 / alpha 32, обучение на 8 GPU A100 с flash_attention_2.
Ограничения: из-за слияния весов в bf16 выходы могут незначительно отличаться от запуска базовой модели с отдельным адаптером.
Обсудить Telegram 0 24

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.

    # posterior-learning/vbppo-qwen3-vl-4b-thinking
    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 posterior-learning/vbppo-qwen3-vl-4b-thinking --local-dir ~/models/vbppo-qwen3-vl-4b-thinking
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к vbppo-qwen3-vl-4b-thinking
  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-Thinking

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

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 8Все на Hugging Face

О модели

posterior-learning/vbppo-qwen3-vl-4b-thinking
Автор
posterior-learning
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии