К содержимому
Компьютерное зрение

Qwen3-VL-8B MultiImage GRPO step1500

мультиизображенческий VQA-чекпоинт

1 мин чтения

Это merged GRPO-чекпоинт в формате Hugging Face на базе Qwen/Qwen3-VL-8B-Instruct, обученный для ответов на вопросы по нескольким изображениям. Автор — yilingwang; размер модели — 8.77B параметров, задача — image-text-to-text, библиотека — transformers. Шаг 1500 выбран для релиза явно; авторы не утверждают, что он лучший во всех оценках.

Ключевые особенности

  • Базируется на Qwen3-VL-8B-Instruct и содержит 8.77B параметров.
  • Обучен для multi-image visual question answering.
  • В репозитории есть safetensors-веса, индекс, tokenizer, chat template и конфигурация визуальной предобработки.
  • Оценённый формат ответа: рассуждение в <thinking>...</thinking> и выбранный вариант в <answer>...</answer>.
  • Оценки получены с thinking-протоколом промптинга.

Пример

Запрос: «Сравни два изображения и выбери подходящий вариант ответа». Ожидаемый формат: рассуждение в <thinking>...</thinking>, затем выбранный вариант в <answer>...</answer>.

ПодробнееБенчмарки при thinking-протоколе: BLINK (micro) — 74.75%, MUIR (micro) — 80.08%, VLM2 (8-task macro) — 81.38%; среднее по трём — 78.74%.
Это результаты конкретного чекпоинта при указанном протоколе; direct-answer оценки используют другой протокол и несопоставимы.
Для инференса используйте реализацию базовой модели с процессором и chat template из этого репозитория.
Лицензия базовой модели и приложенные license-файлы применяются к этому производному чекпоинту.
Обсудить Telegram 0 16

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # yilingwang/Qwen3-VL-8B-MultiImage-GRPO-step1500
    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 yilingwang/Qwen3-VL-8B-MultiImage-GRPO-step1500 --local-dir ~/models/Qwen3-VL-8B-MultiImage-GRPO-step1500
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-VL-8B-MultiImage-GRPO-step1500
  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

Новые посты про версии Qwen3-VL-8B-MultiImage-GRPO-step1500 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

yilingwang/Qwen3-VL-8B-MultiImage-GRPO-step1500
Автор
yilingwang
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

160

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

MobileGym-4B

MobileGym-4B