/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
31 окт 2025

GVE-3B

Сходство предложенийТекст → score3 профессии

GVE-3B — мультимодальная модель эмбеддингов Alibaba-NLP для zero-shot поиска видео по тексту, изображениям, видео и их сочетаниям.

373скачиваний за 30 дней18лайковвеса обновлены3 ноя 2025

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

General Video Embedder (GVE-3B) — мультимодальная модель эмбеддингов для поиска видео, разработанная Alibaba-NLP на базе Qwen2.5-VL-3B-Instruct и дообученная с помощью LoRA на 13 млн собранных и синтезированных мультимодальных данных. Она кодирует текст, изображения и видео в представления для сопоставления запросов с видео без дополнительного обучения на целевом домене.

Модель предназначена для текстового, визуального и комбинированного поиска по видео, включая запросы о пространственных и временных деталях, длинном контексте и частично релевантных фрагментах. Поддерживает запросы из текста, изображения, видео и их комбинаций; архитектура — плотная Qwen2.5-VL, размер — 3,1 млрд параметров, контекст — до 128 000 токенов. В метаданных указан английский язык.

В README заявлены результаты zero-shot оценки на бенчмарке UVRB, включая пространственный и временной поиск. Модель доступна под лицензией Apache-2.0. Она предназначена для извлечения и сопоставления видео, а не для генерации описаний; численные результаты приведены для конкретного бенчмарка и не гарантируют качество на иных данных.

Сценарии применения

  • поиск видео по текстовому запросу
  • поиск видео по изображению или кадру
  • поиск видео по тексту и изображению вместе
  • поиск видео по пространственным деталям сцены
  • поиск видео по временной последовательности событий
  • поиск релевантных фрагментов в длинных видео

Ограничения

Заявленные результаты относятся к бенчмарку UVRB и не гарантируют качество на других наборах видео. Модель предназначена для получения и сопоставления эмбеддингов, а не для генерации текстовых описаний.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🎯 General Video Embedder (GVE)

One Embedder for All Video Retrieval Scenarios
Queries of text, image, video, or any combination modalities — GVE understands them all for representations, zero-shot, without in-domain training.

GVE is the first video embedding model that generalizes across 9 abilities, including 3 diverse retrieval tasks and 6 domains — from coarse text-to-video to fine-grained spatial/temporal queries, composed (text+image) queries, and long-context retrieval — all evaluated on our new Universal Video Retrieval Benchmark (UVRB).

Built on Qwen2.5-VL and trained only with LoRA with 13M collected and synthesized multimodal data, GVE achieves SOTA zero-shot performance than competitors.


🌟 Why GVE?

CapabilityExisting WorksGVE
Query FlexibilityOnly text✅ Text, ✅ Image, ✅ Video, ✅ Text+Image, ✅ Text+Video
Fine-grained UnderstandingWeak on spatial-temporal detailsS: 0.821, T: 0.469 (SOTA)
Training DataUses in-domain test data (e.g., MSRVTT)Synthesized data — true zero-shot
PerformanceUnite-7B (8.3B): 55.9GVE-3B (3.8B): 0.571 → better with half the size; GVE-7B (3.8B): 0.600

📊 Performance on UVRB

  • TXT: Textual Video Retrieval
  • CMP: Composed Video Retrieval
  • VIS: Visual Video Retrieval
  • CG: Coarse-grained Video Retrieval
  • FG: Fine-grained Video Retrieval
  • LC: Long-Context Video Retrieval
  • S: Spatial Video Retrieval
  • T: Temporal Video Retrieval
  • PR: Partially Relevant Video Retrieval

For each column: highest score is bolded, second-highest is underlined.

ModelAVGTXTCMPVISCGFGLCSTPR
CLIP4Clip0.4160.4010.1780.7140.3800.3600.4630.5590.2850.236
ViCLIP0.3750.3360.2630.6400.3800.3150.3130.4840.2890.171
VideoCLIP-XL0.5100.5500.2270.6320.5580.4930.6000.7870.3810.310
LanguageBind0.5080.5430.2310.6450.5390.4790.6100.7230.3780.336
InternVideo2-1B0.4200.4220.2480.5810.4800.4030.3830.6060.4130.189
InternVideo2-6B0.4450.4480.2200.6600.5040.4170.4230.6310.4000.220
GME-2B0.4160.5390.3450.5970.4610.4710.6850.7160.3490.347
Unite-2B0.5070.5360.2420.6540.4550.4710.6810.7250.3470.341
VLM2Vec-V20.5380.5870.2630.6130.4980.5020.7620.8090.3480.348
BGE-VL0.4800.4970.2680.6220.4480.4060.6360.6640.2920.261
UniME-7B0.5420.5610.3080.7020.5000.5180.6640.7850.3960.373
B3-7B0.5380.5700.2700.6780.4820.5050.7220.7970.3640.355
GME-7B0.5620.6040.3410.6150.5180.5070.7880.7490.3730.398
Unite-7B0.5590.6090.2540.6660.5410.5390.7460.7790.4120.425
GVE-3B0.5710.6190.3040.6470.5520.5410.7640.8160.4300.377
GVE-7B0.6000.6570.3120.6570.5870.5700.8140.8210.4690.419

🚀 Get Started

  1. Loading model
model_path = 'Alibaba-NLP/GVE-3B'
model = AutoModel.from_pretrained(model_path, trust_remote_code=True, device_map='auto', low_cpu_mem_usage=True, torch_dtype=torch.bfloat16)
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True, use_fast=True)
processor.tokenizer.padding_side = 'left'
  1. Processing inputs
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": "./asset/video_example.mp4",
                "max_pixels": 200 * 28 * 28,
                "fps": 1.0,
                "max_frames": 8,
            },
            {"type": "text", "text": "Describe this video."},
        ],
    }
]
texts = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs, video_kwargs = process_vision_info(messages, return_video_kwargs=True)
inputs = processor(
    text=[texts],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    truncation=True,
    max_length=1200,
    return_tensors="pt",
    **video_kwargs,
).to("cuda")
  1. Embedding
outputs = model(**inputs)
embedding = F.normalize(outputs['last_hidden_state'][:, -1, :], p=2, dim=1)

📚 Citation

@misc{guo2025gve,
  title={Towards Universal Video Retrieval: Generalizing Video Embedding via Synthesized Multimodal Pyramid Curriculum}, 
  author={Zhuoning Guo and Mingxin Li and Yanzhao Zhang and Dingkun Long and Pengjun Xie and Xiaowen Chu},
  year={2025},
  eprint={2510.27571},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2510.27571}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen25VLForEmbedding
Ревизия весов
2c2962d

0 моделей