/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
videollama2_mistral · dense
Библиотека
transformers
Опубликована
11 июн 2024

VideoLLaMA2-7B

Генерация текстаТекст → текст3 профессии

VideoLLaMA2-7B — чат-модель, которая анализирует видеокадры и отвечает на вопросы о содержании и событиях в видео.

350скачиваний за 30 дней40лайковвеса обновлены13 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

VideoLLaMA2-7B — мультимодальная чат-модель для анализа видео, разработанная командой DAMO-NLP-SG. Визуальный энкодер CLIP ViT-L/14 с разрешением 336 пикселей обрабатывает видеокадры, а языковой декодер Mistral-7B-Instruct-v0.2 формирует текстовые ответы. Этот чекпойнт использует 8 кадров и содержит около 7,1 млрд параметров; заявленный контекст — 32 768 токенов.

Модель предназначена для вопросов и ответов о содержании видео и пространственно-временных событиях, а также для диалогового анализа визуальных данных. В карточке также заявлена работа с аудио в видео, но сведения о входном аудиоформате и подробные ограничения этой возможности не приведены. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержании видео
  • описание действий и событий в видеоролике
  • диалоговый анализ последовательности видеокадров

Ограничения

Карточка указывает на работу с 8 кадрами в этом чекпойнте; подробные ограничения качества и поддерживаемых аудиосценариев не описаны.

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
VideoLLaMA2-7B (This checkpoint)Chatclip-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
VideoLLaMA2-72BChatclip-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/VideoLLaMA2-7B'
    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

Универсальный рантайм · transformers

Нельзя запустить

Архитектура videollama2_mistral неизвестна transformers в образе рантайма.

Класс архитектуры
Videollama2MistralForCausalLM
Ревизия весов
b39f289

0 моделей