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>.
Подробнее
Бенчмарки 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.










Комментарии