/ Модель

Характеристики

Базовая модель
InternVideo2_5_Chat_8B
Опубликована
30 сен 2026

VideoFace-X-LLM-ViT-LLM-LoRA-3200

Компьютерное зрениеВидео, текст → текст

Дообученная на видео модель для анализа лиц, эмоций, действий и признаков дипфейков с опорой на InternVideo2.5-Chat-8B.

0скачиваний за 30 дней0лайковвеса обновлены30 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

VideoFace-X-LLM — дообученная на видео модель на базе InternVideo2.5-Chat-8B от OpenGVLab. Репозиторий содержит полный объединённый чекпойнт и отдельные веса адаптера; опубликованный вариант соответствует шагу 3200 из 3406 обучения на корпусе ExplainFace с описаниями видео CelebV-HQ. Для адаптации обучались vision encoder и connector, а для языковой модели применялся LoRA.

Модель предназначена для анализа лиц в видео с объяснением внешности, действий и эмоций, а также для задач временного анализа эмоций, обнаружения дипфейков и анализа Action Units. В README приведены результаты оценки на независимых от идентичности тестовых наборах. Для выдачи JSON использовались специальный префикс обучающего промпта и начальный символ «{».

Чекпойнт сохранён в формате safetensors. Для загрузки полного чекпойнта README указывает trust_remote_code=True. Лицензия в предоставленных данных не указана.

Сценарии применения

  • описание внешности человека в видеоролике
  • распознавание действий человека по видео
  • оценка эмоций по видеоряду
  • анализ изменения эмоций во времени
  • обнаружение дипфейков в видео
  • анализ лицевых Action Units

Ограничения

Опубликован шаг 3200 из 3406, а не финальный шаг обучения; для JSON-ответов README описывает специальное формирование промпта и префикс «{». Результаты тестирования показывают неодинаковое качество по метрикам и наборам задач.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VideoFace-X-LLM — ViT + LLM-LoRA fine-tune (step 3200 of 3406)

InternVideo2.5-Chat-8B fine-tuned on the ExplainFace corpus (Gemini descriptions of CelebV-HQ videos) for the ACCV 2026 paper "When, Where, and Why: Hierarchical Causal Explainability for Video Face Understanding with MLLMs". This is the "Ours (ViT+LLM LoRA)" row of the results table and the model all H-TCC explainability results were computed on.

Contents

  • Root: the merged full checkpoint (LoRA folded into the LLM weights, W += α/r · B·A), loadable with trust_remote_code=True.
  • lora_adapter/: the trainable-only checkpoint as saved during training (trainable.safetensors: vision encoder, connector and LoRA weights; trainable_config.json).
  • merge_lora_ckpt.py: the script that produced the merged checkpoint from the base model and lora_adapter/.

Training

  • Trainable: vision encoder (lr 1e-5) + connector mlp1 (lr 4e-5) + LoRA on the frozen language model (rank 64, α 128, dropout 0.05, targets wqkv, wo, w1, w2, w3, lr 1e-4).
  • 1 epoch = 3,406 steps over the 27,304-clip identity-independent training split (Aak579/CelebV-HQ-identity-split20), micro-batch 1, global batch 8, AdamW, weight decay 0.01, 3 % linear warm-up then cosine decay, gradient clip 1.0, 8–32 frames per clip, seed 42, FSDP full sharding, 2 × NVIDIA L40S. Full args: train_run_config.json. Checkpoints were saved every 400 steps; this is step 3,200.

Test results (6,923-clip identity-independent test split)

Appearance mA / F1macAction mA / F1macEmotion video Acc / F1macEmotion temporal Acc / F1macDeepfake (FF++) Acc / F1macAU (DISFA) mA / frame F1 / clip F1
86.36 / 32.8794.80 / 20.8260.57 / 25.6874.84 / 26.8156.32 / 45.8079.2 / 31.6 / 32.2

For the JSON tasks the model was decoded with the training-style prompt prefix and a { prefill, as in the paper's inference scripts.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
20663c1

0 моделей