Instructions to use OraRL/Video-ORA-9B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use OraRL/Video-ORA-9B with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("image-text-to-text", model="OraRL/Video-ORA-9B")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
pipe(text=messages)

# Load model directly
from transformers import AutoProcessor, AutoModelForMultimodalLM

processor = AutoProcessor.from_pretrained("OraRL/Video-ORA-9B")
model = AutoModelForMultimodalLM.from_pretrained("OraRL/Video-ORA-9B", device_map="auto")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
inputs = processor.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use OraRL/Video-ORA-9B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "OraRL/Video-ORA-9B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "OraRL/Video-ORA-9B",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker

docker model run hf.co/OraRL/Video-ORA-9B

SGLang

How to use OraRL/Video-ORA-9B with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "OraRL/Video-ORA-9B" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "OraRL/Video-ORA-9B",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "OraRL/Video-ORA-9B" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "OraRL/Video-ORA-9B",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Docker Model Runner
How to use OraRL/Video-ORA-9B with Docker Model Runner:
```
docker model run hf.co/OraRL/Video-ORA-9B
```

Video-ORA-9B / code /README_zh.md

lyhisme

Link the released Video-ORA-4B model

d1dcd59 verified about 12 hours ago

preview code

Raw

History Blame Contribute Delete

7.08 kB

	<p align="right"><a href="README.md">English</a></p>

	<div align="center">

	# OraRL

	### 将标注作为 Rollout

	面向统一视频多模态大模型的高效、可扩展强化学习

	Yunheng Li · Guohong Mu · Hao Li · Shengsheng Qian · Dingwen Zhang ·
	Qibin Hou · Ming-Ming Cheng

	<p>
	<a href="https://arxiv.org/abs/2608.20492">📄 论文</a>
	·
	<a href="https://orarl.github.io/">🌐 项目主页</a>
	·
	<a href="#models">🤗 模型（4B / 9B）</a>
	</p>
	<p>
	<a href="docs/environment_zh.md">⚙️ 环境</a>
	·
	<a href="docs/training_zh.md">🚀 训练</a>
	·
	<a href="docs/evaluation_zh.md">📊 评测</a>
	·
	<a href="LICENSE">⚖️ 许可证</a>
	</p>

	<a href="https://orarl.github.io/assets/orarl-teaser.mp4">
	<img src="assets/orarl-hero.gif"
	alt="OraRL 方法动态预览" width="92%">
	</a>

	▶ 点击图片观看 1 分 38 秒的项目介绍视频。

	</div>

	## 为什么选择 OraRL

	- 将标注作为 Rollout：将标注转化为可靠的正样本 rollout，同时策略样本
	仍使用纯 on-policy 基线。
	- 七类任务统一训练：同一套更新规则覆盖时序定位、空间定位、分割、跟踪、
	时空定位、视频问答和空间智能。
	- 高效训练（4B）：符号均衡剪枝带来 1.48× 的更新加速
	（92.5 → 62.4 秒/步），同时将单卡峰值显存从 **62.4 GB 降至
	50.9 GB**。
	- 高效推理：在单张 H20 上使用 vLLM 和 BF16 时，权重加载占用分别为
	8.6 GiB（4B）和 17.6 GiB（9B）。对于 2 fps 采样的十分钟视频，
	仅生成答案将首 token 后的中位延迟从 4.78 秒降至 130 毫秒，并将总
	中位延迟从 29.03 秒降至 24.30 秒。
	- 多模态 veRL 基础设施：统一的视频数据契约支持缓存产物、原始路径和内联
	帧张量，并贯通 vLLM rollout 与 FSDP 更新；同时加入单次解码帧复用、时序
	元数据、按任务分组的批处理、异步 Ray 奖励和安全的混合引擎缓存处理。

	## 一次 OraRL 更新

	<p align="center">
	<img src="assets/orarl-method.gif"
	alt="OraRL 方法框架动画" width="96%">
	</p>

	一次 OraRL 更新将可靠的标注引导与 on-policy 归一化明确分开：

	1. 构造样本组：在同一 prompt 的策略样本后加入一个序列化标注 rollout。
	2. 保持 on-policy 基线：仅使用策略样本的奖励估计组内基线。
	3. 引导并筛选：将标注与策略样本的奖励差转化为修正量，再选择符号均衡的
	子集执行更新。

	该设计直接使用任务原生标注，不需要思维链监督或解码。

	## Video-ORA 结果

	<p align="center">
	<img src="assets/paper-results.png"
	alt="Video-ORA-9B 在七类任务上的结果" width="100%">
	</p>

	### 数据集级结果

	<picture>
	<source media="(prefers-color-scheme: dark)"
	srcset="assets/video_ora_benchmark_matrix_dark.svg">
	<source media="(prefers-color-scheme: light)"
	srcset="assets/video_ora_benchmark_matrix_light.svg">
	<img src="assets/video_ora_benchmark_matrix_light.svg"
	alt="Video-ORA 与多模态基线的数据集级对比矩阵"
	width="100%">
	</picture>

	Video-ORA-9B 在不使用思维链解码的情况下，在统一的七类任务对比中取得领先。
	每行的最佳和次佳结果均已突出显示；`†` 表示该数值来自原始报告，其帧数、提示词、
	数据划分或解码设置可能不同。仅在完整覆盖该任务类别时才计算类别平均值。

	<!-- <details>
	<summary>基准来源</summary>

	未标注的数值来自最新版 [OraRL 论文](https://arxiv.org/abs/2608.20492)的表 1–8 和附录表 20。
	外部数值来自
	[LLaVA-OneVision-2](https://arxiv.org/abs/2605.25979)、
	[VideoChat3](https://github.com/MCG-NJU/VideoChat3) 和
	[OneThinker](https://arxiv.org/abs/2512.03043) 的原始报告。
	此处仅将 OneThinker 作为公开 Qwen3-VL 分数的来源。ReVSI 使用各模型报告的
	帧设置；论文中的三基准空间智能平均值不包含 ReVSI。

	</details> -->

	### 模型规模扩展

	<p align="center">
	<img src="assets/orarl-model-scaling.gif"
	alt="Video-ORA 从 0.8B 到 9B 的模型规模扩展动画" width="100%">
	</p>

	### 数据规模扩展

	<p align="center">
	<img src="assets/orarl-data-scaling.gif"
	alt="OraRL 数据规模扩展与奖励变化动画" width="100%">
	</p>

	<a id="models"></a>

	## 模型

	\| 模型 \| 基座模型 \| 发布配置 \| 权重 \|
	\| --- \| --- \| --- \| --- \|
	\| Video-ORA-9B \| Qwen3.5-9B \| `orarl_9b.yaml` \| [Hugging Face](https://huggingface.co/OraRL/Video-ORA-9B) \|
	\| Video-ORA-4B \| Qwen3.5-4B \| `orarl_4b.yaml` \| [Hugging Face](https://huggingface.co/OraRL/Video-ORA-4B) \|

	### vLLM 部署

	两个 Video-ORA 检查点均可通过 vLLM 0.19.1 直接提供兼容 OpenAI 的
	推理服务：

	```bash
	MODEL=OraRL/Video-ORA-9B

	vllm serve "$MODEL" \
	--served-model-name Video-ORA-9B \
	--trust-remote-code \
	--dtype bfloat16 \
	--tensor-parallel-size 1 \
	--max-model-len 131072 \
	--limit-mm-per-prompt '{"image": 1, "video": 1}'
	```

	多卡部署时，将 `--tensor-parallel-size` 设为 GPU 数量；显存较小时可降低
	`--max-model-len`。如需仅生成答案，请在聊天模板中设置
	`enable_thinking=false`。

	## 使用 OraRL

	本仓库围绕三个面向用户的工作流组织：

	1. [环境](docs/environment_zh.md)：安装同时覆盖自带训练运行时与评测运行时的
	固定 CUDA 软件栈。
	2. [训练](docs/training_zh.md)：准备已获许可的本地训练数据，并启动单节点或
	多节点 GRPO/OraRL。
	3. [评测](docs/evaluation_zh.md)：下载 Video-ORA 和 OraRL-Data，运行
	smoke test 或完整论文评测。

	训练和评测默认仅执行 dry run；检查解析后的命令后再添加 `--run`。Checkpoint
	和评测媒体托管在 [OraRL Hugging Face 组织](https://huggingface.co/OraRL)下。

	## 致谢

	OraRL 基于 [veRL](https://github.com/volcengine/verl) 构建——这是一个采用
	HybridEngine 的高性能强化学习框架。感谢其作者和贡献者开源训练基础设施。

	## 许可证

	OraRL 源代码采用 [Apache-2.0](LICENSE) 许可证发布。数据集、模型、基准和可选
	依赖仍遵循各自的原始许可证，详情请参阅 [NOTICE](NOTICE)。

	## 引用

	如果 OraRL 对您有所帮助，欢迎为本仓库点亮 ⭐，并引用我们的
	[论文](https://arxiv.org/abs/2608.20492)。

	```bibtex
	@article{li2026orarl,
	title = {Annotations as Rollouts: Efficient and Scalable
	Reinforcement Learning for Video MLLMs},
	author = {Li, Yunheng and Mu, Guohong and Li, Hao and
	Qian, Shengsheng and Zhang, Dingwen and Hou, Qibin
	and Cheng, Ming-Ming},
	journal = {arXiv preprint arXiv:2608.20492},
	year = {2026},
	url = {https://arxiv.org/abs/2608.20492}
	}
	```