Spaceqwen2.5 VL 3B Instruct

🚀 SpaceQwen2.5-VL-3B-Instruct

SpaceQwen2.5-VL-3B-Instruct是一个多模态的视觉语言模型，它基于Qwen2.5-VL-3B-Instruct进行微调。该模型运用数据合成技术和公开可用模型，增强了多模态模型的空间推理能力，能够推断场景中物体间的空间关系。

🚀 快速开始

安装依赖

Transformers

安装Qwen依赖：

pip install qwen-vl-utils[decord]==0.0.8

运行推理

Transformers

对示例图像进行推理：

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "remyxai/SpaceQwen2.5-VL-3B-Instruct", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("remyxai/SpaceQwen2.5-VL-3B-Instruct")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://raw.githubusercontent.com/remyxai/VQASynth/refs/heads/main/assets/warehouse_sample_2.jpeg",
            },
            {"type": "text", "text": "What is the height of the man in the red hat in feet?"},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

GGUF

使用 llama.cpp 运行 SpaceQwen2.5-VL-3B-Instruct：

./llama-qwen2vl-cli -m /path/to/SpaceQwen2.5-VL-3B-Instruct/SpaceQwen2.5-VL-3B-Instruct-F16.gguf \
                    --mmproj /path/to/SpaceQwen2.5-VL-3B-Instruct/spaceqwen2.5-vl-3b-instruct-vision.gguf \
                    -p "What's the height of the man in the red hat?" \
                    --image /path/to/warehouse_sample_2.jpeg --threads 24 -ngl 99

✨ 主要特性

• 多模态处理：结合视觉和语言信息，实现更复杂的场景理解。
• 空间推理能力：能够推断场景中物体间的空间关系，如距离、位置等。
• 数据合成技术：利用数据合成创建用于空间推理的VQA数据集。

📦 安装指南

安装Qwen依赖：

pip install qwen-vl-utils[decord]==0.0.8

💻 使用示例

基础用法

对示例图像进行推理：

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "remyxai/SpaceQwen2.5-VL-3B-Instruct", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("remyxai/SpaceQwen2.5-VL-3B-Instruct")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://raw.githubusercontent.com/remyxai/VQASynth/refs/heads/main/assets/warehouse_sample_2.jpeg",
            },
            {"type": "text", "text": "What is the height of the man in the red hat in feet?"},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

高级用法

使用 llama.cpp 运行 SpaceQwen2.5-VL-3B-Instruct：

./llama-qwen2vl-cli -m /path/to/SpaceQwen2.5-VL-3B-Instruct/SpaceQwen2.5-VL-3B-Instruct-F16.gguf \
                    --mmproj /path/to/SpaceQwen2.5-VL-3B-Instruct/spaceqwen2.5-vl-3b-instruct-vision.gguf \
                    -p "What's the height of the man in the red hat?" \
                    --image /path/to/warehouse_sample_2.jpeg --threads 24 -ngl 99

📚 详细文档

模型概述

该模型使用数据合成技术和公开可用模型，重现了SpatialVLM中描述的工作，以增强多模态模型的空间推理能力。通过专家模型管道，我们可以推断场景中物体间的空间关系，创建用于空间推理的VQA数据集。

数据集与训练

SpaceQwen2.5-VL-3B-Instruct 使用LoRA在 OpenSpaces 数据集上对 Qwen2.5-VL-3B-Instruct 进行微调。

数据集摘要：

• 约10k个合成空间推理轨迹

• 问题类型：空间关系（距离（单位）、上方、左侧、包含、最接近）

• 格式：图像（RGB）+ 问题 + 答案

• 数据集：OpenSpaces

• 代码：VQASynth

• 参考：SpatialVLM

LoRA SFT脚本可在 trl 找到。

模型评估（即将推出）

请关注 VLMEvalKit QSpatial基准测试

计划进行的比较：

• 🌋 SpaceLLaVA
• 🧑‍🏫 SpaceQwen2.5-VL-3B-Instruct
• 🤖 相关的用于机器人的VLM和VLA

你也可以在 Discord 或 HF空间 上尝试该模型。

🔧 技术细节

• 模型类型：多模态，视觉语言模型
• 架构：Qwen2.5-VL-3B-Instruct
• 模型大小：37.5亿参数（FP16）
• 微调基础：Qwen/Qwen2.5-VL-3B-Instruct
• 微调策略：LoRA（低秩适应）

⚠️ 限制与伦理考量

⚠️ 重要提示

• 在杂乱环境或特定相机视角下，模型性能可能下降。
• 该模型使用互联网图像数据集上的合成推理进行微调。
• 基础模型（Qwen2.5-VL）固有的多模态偏差可能仍然存在。
• 该模型不应用于安全关键或法律决策。

💡 使用建议

建议用户批判性地评估模型输出，并考虑针对特定领域的安全性和性能进行微调。

📄 许可证

本项目采用Apache-2.0许可证。

引用

@article{chen2024spatialvlm,
  title = {SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities},
  author = {Chen, Boyuan and Xu, Zhuo and Kirmani, Sean and Ichter, Brian and Driess, Danny and Florence, Pete and Sadigh, Dorsa and Guibas, Leonidas and Xia, Fei},
  journal = {arXiv preprint arXiv:2401.12168},
  year = {2024},
  url = {https://arxiv.org/abs/2401.12168},
}

@misc{qwen2.5-VL,
    title = {Qwen2.5-VL},
    url = {https://qwenlm.github.io/blog/qwen2.5-vl/},
    author = {Qwen Team},
    month = {January},
    year = {2025}
}