VLAA-Thinker-Qwen2.5-3B 是 VLAA-Thinker 系列中的视觉-语言推理模型，面向带图像的问题回答与多模态推理。VLAA-Thinker-Qwen2.5-3B 与 7B 版本在 2025 年 4 月 7 日的 OpenCompass Multimodal Reasoning Leaderboard 上达到 SOTA 表现。

其训练数据来自 VLAA-Thinking 流水线：从 9 个视觉-语言数据集中收集图像-问题-答案元数据，使用 GPT-4o 生成结构化图像描述，借助 DeepSeek-R1 蒸馏逐步推理与答案，再由 GPT-3.5-turbo 重写，并通过自动验证保留正确样本。最终数据包含 126,413 条 SFT 样本和 25,195 条 RL 样本。

使用上可运行 python inference.py 进行推理，并需要包含训练时使用的 system prompt；数据集可通过 bash ./utils/download_dataset.sh 下载并指定绝对路径。训练代码标注为 coming soon。