/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
17 сен 2026

OPD-TV-Qwen3-VL-8B

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная Qwen3-VL-8B для поиска в видео события, описанного текстовым запросом, и выдачи его временных границ.

56скачиваний за 30 дней0лайковвеса обновлены17 сен 2026

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 «Изображение → текст» — 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

CewEhao/OPD-TV-Qwen3-VL-8B — мультимодальная модель для временной локализации событий в видео, созданная дообучением Qwen3-VL-8B-Instruct. Она принимает видео и текстовый запрос и формирует текстовый ответ с временными границами искомого события. Модель выпущена как основной чекпойнт для оценки метода OPD-TV, который переносит привилегированные временные свидетельства от учителя к модели-ученику при обучении; во время вывода используется только исходный визуальный вход ученика.

В README приведены результаты на Charades-STA, ActivityNet Captions и QVHighlights. Описанный протокол оценки использует равномерную выборку 2 кадра в секунду, предел 768 кадров и до 64 генерируемых токенов. Для запуска указаны Transformers и vLLM с параметром --trust-remote-code. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск момента с заданным действием в видеоролике
  • определение начала и конца события по текстовому запросу
  • временная локализация событий в видеоархивах
  • оценка систем видеопонимания на бенчмарках временной локализации

Ограничения

Результаты и протокол в README относятся к оценке на трёх бенчмарках; они не гарантируют качество на других типах видео. Приведённый протокол ограничивает обработку 768 кадрами и 14 336 визуальными токенами.

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

Overview

This repository contains the OPD-TV Qwen3-VL-8B checkpoint used for the paper's main temporal-grounding evaluation.

OPD-TV studies a supervision transfer gap: enriching the teacher's temporal evidence improves its grounding accuracy, yet the resulting student gains are non-monotonic. The method compares the same teacher across the student's original visual input and an enriched teacher view, isolating the view-induced correction from the standard same-view policy correction. Token-level cross-view compatibility then regulates how strongly this correction enters a target anchored to the same-view teacher distribution.

The student generates trajectories from its original visual input. Privileged evidence is used for teacher supervision during training; inference uses the student alone.

Released artifacts

ArtifactLink
Model checkpointCewEhao/OPD-TV-Qwen3-VL-8B
Training dataCewEhao/OPD-TV-Training-Data
Training and evaluation codeEchochef/OPD-TV
Evaluation suiteTencentARC/TimeLens-Bench

Evaluation

Scores are percentages.

DatasetmIoUR@0.3R@0.5R@0.7
Charades-STA52.072.757.232.5
ActivityNet Captions54.669.560.343.2
QVHighlights67.682.173.558.3

The evaluation protocol uses uniform sampling at 2 FPS, a 768-frame cap, a 14,336 visual-token cap, greedy JSON decoding, and up to 64 generated tokens. See the repository instructions for the complete TimeLens-Bench setup.

Download and use

hf download CewEhao/OPD-TV-Qwen3-VL-8B \
  --local-dir models/OPD-TV-Qwen3-VL-8B

Load the checkpoint with Transformers or serve it with vLLM using --trust-remote-code.

After installing the code repository and preparing TimeLens-Bench, run its evaluation launcher:

export MODEL_PATH=CewEhao/OPD-TV-Qwen3-VL-8B
export BENCH_ROOT=/path/to/TimeLens-Bench
export OUTPUT_DIR=/path/to/opd-tv-eval
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7

bash scripts/eval_opd_tv_timelens.sh

License

The checkpoint is released under the Apache License 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
ceb4ac8

0 моделей