К содержимому
Другое

VisionQ-Judge

VLM-судья для оценки визуальных сравнений из научных статей

2 мин чтенияобновлено

Набор LoRA-адаптеров (небольших надстроек над базовой моделью), созданный для исследования VisionQ (подано на CVPR 2027). Модель представляет собой мультимодальную версию google/gemma-4-E4B-it, дообученную методом DPO (обучение на предпочтениях) для определения лучшего метода на рисунках с качественным сравнением из научных публикаций. В отличие от базовой модели, VisionQ-Judge специально натренирована распознавать, какой именно результат авторы статьи считают победителем, опираясь на изображение и контекст подписи. Пригодится исследователям компьютерного зрения и разработчикам систем автоматической оценки визуальных моделей (VLM-as-a-Judge).

Ключевые особенности

  • Прирост точности: в среднем набирает 61.0% на тесте VisionQ-MCQ против 50.4% у базовой Gemma-4-E4B (+10.6%).
  • Устойчивость к порядку вариантов: обучение проходило на 13 394 симметричных парах с циклическим перебором порядка вариантов ответа, чтобы избежать смещения позиции.
  • Комплексная адаптация: LoRA (r=16, alpha=32) применена одновременно к языковым и визуальным слоям базовой модели.
  • Три варианта весов: в репозитории доступны три отдельных чекпоинта для разных сидов обучения (seed42, seed43 и seed44).

Что можно сделать

  • Автоматизировать рецензирование и анализ научных статей в области компьютерного зрения, сопоставляя визуальные примеры с выводами авторов.
  • Использовать модель как специализированного судью (judge) в пайплайнах бенчмаркинга мультимодальных нейросетей на задачах визуального сравнения.

Пример

from transformers import AutoProcessor, AutoModelForImageTextToText
from peft import PeftModel

base = AutoModelForImageTextToText.from_pretrained("google/gemma-4-E4B-it", torch_dtype="float16", device_map="auto")
model = PeftModel.from_pretrained(base, "visionq-review/VisionQ-Judge", subfolder="seed42")
processor = AutoProcessor.from_pretrained("visionq-review/VisionQ-Judge", subfolder="seed42")
ПодробнееТочность на тесте (538 вопросов VisionQ-MCQ): 61.3% (seed42), 60.2% (seed43), 61.3% (seed44).
Обучение: 1 эпоха DPO (beta 0.3, lr 2e-5) на 2 687 вопросах из train-сплита VisionQ-MCQ.
Ограничения: результаты в fp16 могут варьироваться в зависимости от модели GPU, поэтому сравнения стоит проводить на одном типе видеокарт.
Лицензия: распространяется на условиях использования Gemma.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.6 GB8.9 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.

Это LoRA: вместе с базовой моделью gemma-4-E4B-it.

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.

    # visionq-review/VisionQ-Judge
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 google/gemma-4-E4B-it --local-dir ~/models/gemma-4-E4B-it
    hf download visionq-review/VisionQ-Judge --local-dir ~/models/VisionQ-Judge
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gemma-4-E4B-it
  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

Нужна базовая модель

google/gemma-4-E4B-it

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. gemma-4-E4Bоснова семьи
  2. gemma-4-E4B-it
  3. VisionQ-Judge

Новые посты про версии gemma-4-E4B — 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

visionq-review/VisionQ-Judge
Автор
visionq-review
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии