/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
71,5 млрд
Размер весов
150 ГБ
Лицензия
Apache 2.0
Архитектура
videollama2_qwen2 · dense
Библиотека
transformers
Опубликована
13 авг 2024

VideoLLaMA2-72B

Генерация текстаТекст → текст3 профессии

VideoLLaMA2-72B — мультимодальная модель для вопросов и ответов о видео и генерации связанного с ним текста.

34скачиваний за 30 дней10лайковвеса обновлены14 авг 2024

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

VideoLLaMA2-72B — мультимодальная языковая модель для диалога о видео из семейства VideoLLaMA 2, разработанного DAMO-NLP-SG. Она предназначена для ответов на вопросы о содержании видео и его пространственно-временных событиях; в карточке также заявлена поддержка генерации текста. Модель имеет плотную архитектуру на основе Qwen2 с 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. Метаданные указывают английский язык. README описывает VideoLLaMA 2 и перечисляет видеомодели с визуальным энкодером CLIP, но не приводит отдельные технические детали именно версии 72B.

Модель подходит для анализа видеосцен и диалоговых сценариев, где нужно сформулировать текстовый ответ по визуальному содержанию. Репозиторий распространяется по лицензии Apache-2.0. В доступной карточке не приведены отдельные результаты оценки качества или рекомендации по ограничениям применения.

Сценарии применения

  • ответы на вопросы о событиях в видео
  • описание содержания видеороликов по запросу
  • анализ последовательности действий в видеосцене

Ограничения

Карточка не приводит оценок качества или конкретных ограничений применения; README также не содержит отдельных характеристик версии 72B.

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

📰 News

  • [2024.06.12] Release model weights and the first version of the technical report of VideoLLaMA 2.
  • [2024.06.03] Release training, evaluation, and serving codes of VideoLLaMA 2.

🌎 Model Zoo

Model NameTypeVisual EncoderLanguage Decoder# Training Frames
VideoLLaMA2-7B-BaseBaseclip-vit-large-patch14-336Mistral-7B-Instruct-v0.28
VideoLLaMA2-7BChatclip-vit-large-patch14-336Mistral-7B-Instruct-v0.28
VideoLLaMA2-7B-16F-BaseBaseclip-vit-large-patch14-336Mistral-7B-Instruct-v0.216
VideoLLaMA2-7B-16FChatclip-vit-large-patch14-336Mistral-7B-Instruct-v0.216
VideoLLaMA2-8x7B-BaseBaseclip-vit-large-patch14-336Mixtral-8x7B-Instruct-v0.18
VideoLLaMA2-8x7BChatclip-vit-large-patch14-336Mixtral-8x7B-Instruct-v0.18
VideoLLaMA2-72B-BaseBaseclip-vit-large-patch14-336Qwen2-72B-Instruct8
VideoLLaMA2-72B (This checkpoint)Chatclip-vit-large-patch14-336Qwen2-72B-Instruct8

🚀 Main Results

Multi-Choice Video QA & Video Captioning

Open-Ended Video QA

🤖 Inference with VideoLLaMA2

import sys
sys.path.append('./')
from videollama2 import model_init, mm_infer
from videollama2.utils import disable_torch_init


def inference():
    disable_torch_init()

    # Video Inference
    modal = 'video'
    modal_path = 'assets/cat_and_chicken.mp4' 
    instruct = 'What animals are in the video, what are they doing, and how does the video feel?'
   
    # Image Inference
    modal = 'image'
    modal_path = 'assets/sora.png'
    instruct = 'What is the woman wearing, what is she doing, and how does the image feel?'
    
    model_path = 'DAMO-NLP-SG/VideoLLaMA2-72B'
    model, processor, tokenizer = model_init(model_path)
    output = mm_infer(processor[modal](modal_path), instruct, model=model, tokenizer=tokenizer, do_sample=False, modal=modal)

    print(output)

if __name__ == "__main__":
    inference()

Citation

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

@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

vLLM

Нельзя запустить

Архитектура videollama2_qwen2 неизвестна transformers в образе рантайма.

Класс архитектуры
Videollama2Qwen2ForCausalLM
Ревизия весов
b6fb50e

0 моделей