Evidence-RL-9B: открытые веса для визуальных ответов с опорой на изображение

Что изменено в обучении

Авторы применили Answer-CED совместно с GRPO. Во время обучения они сравнивают, насколько падает поддержка ответа при нейтрализации области изображения с предполагаемым доказательством и при аналогичном вмешательстве в другие области. Награда сочетает правильность ответа и такую зависимость от изображения. Области выбираются по слабым объектным аннотациям, а не по размеченным для каждого вопроса доказательствам. Этот дополнительный анализ нужен при обучении, а не на каждом запросе после развёртывания модели. s4

Практический смысл для локальных сценариев — проверить этот чекпойнт на собственных изображениях там, где важны подсчёт, локальные детали и различение визуальных отвлекающих факторов: каталогизация, разметка фотографий или визуальный QA. Это кандидат для сравнительного теста с исходной Qwen3.5-9B, а не гарантия отсутствия галлюцинаций. s1 s4

Что именно показывают замеры авторов

В статье указаны девять публичных бенчмарков, включая CountBench, HallusionBench, VLMsAreBlind, MathVista и MMMU. Для Qwen3.5-9B в таблице кросс-модельной проверки авторы сообщают рост CountBench с 80,80 до 93,90 и HallusionBench с 47,20 до 78,10. Это результаты авторов исследования в их протоколе, а не независимый тест Modelium и не измерение на любом пользовательском датасете. s4

Важно не смешивать таблицы: основное сравнение с другими RL-методами в работе построено на Qwen2.5-VL-7B, а числа выше относятся к отдельной проверке на Qwen3.5-9B. Для контролируемого опыта на Qwen3.5-9B авторы описывают 15 314 обучающих примеров после фильтрации, 2 000 шагов, размер группы GRPO 32 и настройку последних четырёх слоёв; изображения происходят из COCO val2017, а тестовые наборы, по утверждению авторов, не пересекаются с обучающими изображениями. Карточка выпущенного чекпойнта не содержит отдельного отчёта о повторном прогоне именно закреплённой ревизии весов. s1 s4

Локальный запуск и лицензия

Карточка публикует пример загрузки через transformers, AutoProcessor и AutoModelForImageTextToText с изображением и текстовым вопросом. Репозиторий включает модель, конфигурацию, процессор и токенизатор; отдельного готового GGUF или MLX-пакета в этом выпуске нет. Modelium не загружал 18,8-ГБ чекпойнт и не проверял выполнение примера, поэтому совместимость конкретной версии библиотек, скорость и потребление памяти надо измерить на своей машине. При загрузке сторонних весов закрепляйте ревизию 47e9ee4837e54fde2c3cf7d97e6b1948230f6927 и проверяйте доверенный источник кода. s1 s2

Метаданные производного репозитория обозначают Apache 2.0; исходная Qwen3.5-9B также содержит текст Apache License 2.0. Отдельного файла LICENSE в дереве Evidence-RL-9B нет — условия производного чекпойнта здесь заданы карточкой, поэтому перед коммерческим развёртыванием стоит сохранить её ревизию и проверить цепочку прав. Доступные веса не означают опубликованного полного обучающего кода или данных: в дереве этого модельного репозитория таких артефактов нет. s1 s2 s5

Вывод: новое событие — появление конкретных весов Qwen3.5-9B после работы об обучении с локальными визуальными доказательствами. Для собственного проекта имеет смысл сравнивать их с базовой моделью на размеченной выборке и отдельно оценивать ошибки, а не переносить авторские баллы на свою задачу. s1 s4