/ Модель

Характеристики

Параметры
545 млн
Лицензия
Apache 2.0
Архитектура
videollama3_vision_encoder · dense
Базовая модель
siglip-so400m-patch14-384
Библиотека
transformers
Опубликована
21 янв 2025

VL3-SigLIP-NaViT

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер VideoLLaMA 3 на базе SigLIP для извлечения признаков изображений и кадров разного разрешения.

236скачиваний за 30 дней11лайковвеса обновлены20 мар 2025

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

DAMO-NLP-SG/VL3-SigLIP-NaViT — визуальный энкодер VideoLLaMA 3, разработанный командой DAMO-NLP-SG. Модель принимает изображения и извлекает визуальные признаки для мультимодальных систем; она предназначена для обработки изображений и кадров разного разрешения в сценариях понимания видео.

Энкодер основан на архитектуре ViT и дообучен на базе google/siglip-so400m-patch14-384. В подходе Any-resolution Vision Tokenization используются 2D-RoPE вместо абсолютных позиционных эмбеддингов, чтобы представлять изображения с разным разрешением с сохранением деталей. Число параметров — 544,9 млн; доступны веса Safetensors для Transformers. В ходе адаптации энкодер и проектор обучались на изображениях сцен, документах и изображениях с текстом.

Модель извлекает признаки, которые могут служить визуальным представлением для задач понимания сцен, документов и видео. Она не является самостоятельной диалоговой моделью. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение признаков из изображений для мультимодальной модели
  • подготовка визуальных токенов для понимания видео
  • анализ изображений сцен
  • обработка изображений документов
  • представление кадров высокого и переменного разрешения

Ограничения

Это компонент визуального кодирования, а не самостоятельная модель для диалога или генерации ответов. Описанные результаты относятся к указанным в README бенчмаркам и сами по себе не гарантируют качество на других данных.

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

🌟 Introduction

This model serves as the visual encoder in VideoLLaMA3.

VideoLLaMA3 leverages the Any-resolution Vision Tokenization (AVT) approach to dynamically process images and videos of varying resolutions. This is accomplished by adapting the pre-trained vision encoder (based on ViT architecture) to use 2D-RoPE (Rotary Position Embeddings), replacing the absolute position embeddings traditionally used in ViT.

With AVT, VideoLLaMA3 is able to represent images and videos with greater detail across different resolutions, enriching the vision tokens with more information. To ensure seamless integration with AVT, we fine-tune both the vision encoder and the projector during the Vision Encoder Adaptation stage (Stage #1 in the VideoLLaMA3 training pipeline) using scene images, document data, and scene images with text.

Before training, the model parameters and architecture are initialized from SigLip.

🚀 Model Porfermance

Base ModelGQAAI2DChartQADocVQAvalMME
clip-vit-large-patch14-33661.5056.2818.3224.861668.41
dfn5B-clip-vit-h-14-37862.7056.8716.4023.091665.35
siglip-so400m-patch14-384 (Our Implementation)62.9257.1222.4431.321667.92
  • A more detailed analysis can be found in our paper.

🤖 Quick Start

import torch
from transformers import AutoModel, AutoImageProcessor
from transformers.image_utils import load_image

model_name = "DAMO-NLP-SG/VL3-SigLIP-NaViT"
image_path = "https://github.com/DAMO-NLP-SG/VideoLLaMA3/blob/main/assets/sora.png?raw=true"
images = load_image(image_path)

model = AutoModel.from_pretrained(
    model_name,
    trust_remote_code=True,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)
processor = AutoImageProcessor.from_pretrained(model_name, trust_remote_code=True)

inputs = processor(images=images, merge_size=1)
inputs = {k: torch.tensor(v).cuda() for k, v in inputs.items()}
if "pixel_values" in inputs:
    inputs["pixel_values"] = inputs["pixel_values"].to(torch.bfloat16)
image_features = model(**inputs)

Citation

If you find VideoLLaMA useful for your research and applications, please cite using this BibTeX:

@article{damonlpsg2025videollama3,
  title={VideoLLaMA 3: Frontier Multimodal Foundation Models for Image and Video Understanding},
  author={Boqiang Zhang, Kehan Li, Zesen Cheng, Zhiqiang Hu, Yuqian Yuan, Guanzheng Chen, Sicong Leng, Yuming Jiang, Hang Zhang, Xin Li, Peng Jin, Wenqi Zhang, Fan Wang, Lidong Bing, Deli Zhao},
  journal={arXiv preprint arXiv:2501.13106},
  year={2025},
  url = {https://arxiv.org/abs/2501.13106}
}

@article{damonlpsg2024videollama2,
  title={VideoLLaMA 2: Advancing Spatial-Temporal Modeling and Audio Understanding in Video-LLMs},
  author={Cheng, Zesen and Leng, Sicong and Zhang, Hang and Xin, Yifei and Li, Xin and Chen, Guanzheng and Zhu, Yongxin and Zhang, Wenqi and Luo, Ziyang and Zhao, Deli and Bing, Lidong},
  journal={arXiv preprint arXiv:2406.07476},
  year={2024},
  url = {https://arxiv.org/abs/2406.07476}
}

@article{damonlpsg2023videollama,
  title = {Video-LLaMA: An Instruction-tuned Audio-Visual Language Model for Video Understanding},
  author = {Zhang, Hang and Li, Xin and Bing, Lidong},
  journal = {arXiv preprint arXiv:2306.02858},
  year = {2023},
  url = {https://arxiv.org/abs/2306.02858}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Videollama3VisionEncoderModel
Ревизия весов
d7dded4

0 моделей