К содержимому
Компьютерное зрение

GeoReader-Qwen2.5-VL-3B-MindCube

визуальная языковая модель для геопространственного анализа

1 мин чтенияобновлено

Модель GeoReader-Qwen2.5-VL-3B-MindCube представляет собой полный чекпоинт (набор весов) на базе Qwen2.5-VL-3B-Instruct, обученный для решения задач пространственного восприятия и геометрии. Архитектура объединяет визуально-языковую модель (VLM), замороженный геометрический Reader, адаптер и гейт. Решение демонстрирует высокую точность на датасете MindCube-Tiny и требует специализированного загрузчика GeoReader вместо стандартного вызова Transformers AutoModel. Модель пригодится исследователям и разработчикам, работающим с пространственным анализом изображений и компьютерным зрением.

Ключевые особенности

  • Высокая точность: точность на MindCube-Tiny составляет 87.14% (915 из 1050 задач).
  • Геометрический анализ: детальная оценка вращения (60.5%), относительных положений (93.83%) и окружающих объектов (92.4%).
  • Гибридная архитектура: сочетает базовую VLM Qwen2.5-VL-3B с отдельным геометрическим Reader и адаптером.
  • Восстановленная геометрия: обучение выполнено с использованием настроек DA3 Nested Giant-Large 1.1 для многоракурсного вывода.

Что можно сделать

  • Анализ пространственных соотношений: оценивать взаимное расположение объектов и их ориентацию по изображениям.
  • Тестирование точности: проводить оценку модели на датасете MindCube-Tiny с использованием комплектных скриптов.
  • Исследовательские эксперименты: изучать работу геометрических адаптеров и гейтов в VLM-архитектурах.

Пример

Для запуска требуется использовать специальный загрузчик GeoReader вместо стандартных методов Hugging Face, а также подавать вопросы с ограничением ответа в 128 токенов.

ПодробнееБазовая модель: Qwen/Qwen2.5-VL-3B-Instruct
Метрики: точность MindCube-Tiny 87.14% (915/1,050)
Особенности: требует специальный лоадер GeoReader вместо AutoModel
Данные: обучено на пакете данных MindCube DA3
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 7.6 GB · готовые файлы8.8 GB
  • FP8 / INT8рекомендуемвеса 3.8 GB4.7 GB
  • 4-bitвеса 2.1 GB2.8 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.

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

RRRong/GeoReader-Qwen2.5-VL-3B-MindCube
Автор
RRRong
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии