/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,8 ГБ
Лицензия
Apache 2.0
Архитектура
videollama2_qwen2 · dense
Библиотека
transformers
Опубликована
14 окт 2024

VideoLLaMA2.1-7B-16F

Генерация текстаТекст → текст3 профессии

Чат-модель VideoLLaMA2.1 для ответов на вопросы и анализа содержания видеороликов по кадрам.

168скачиваний за 30 дней9лайковвеса обновлены4 сен 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

VideoLLaMA2.1-7B-16F — чат-модель для понимания видео, разработанная командой DAMO-NLP-SG. Она принимает видеокадры и текстовый запрос, чтобы описывать события, отвечать на вопросы о содержании и анализировать временную последовательность сцен. Версия 16F использует 16 кадров; в карточке указаны архитектура VideoLLaMA2 с языковой моделью Qwen2, 7,1 млрд параметров и контекст длиной 32 768 токенов.

Модель предназначена для диалоговых сценариев с видео. В README также заявлены пространственно-временное моделирование и понимание аудио в видео, однако доступные сведения для этой версии не уточняют обработку звука как входа. Карточка перечисляет английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержании видео
  • краткое описание событий в видеоролике
  • анализ последовательности сцен
  • диалоговый разбор видео по текстовому запросу

Ограничения

В README для этой версии указано использование 16 кадров, поэтому детали между кадрами могут теряться. Хотя проект заявляет понимание аудио в видео, предоставленные сведения не подтверждают аудиовход именно этой версии.

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

🌎 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
VideoLLaMA2-72BChatclip-vit-large-patch14-336Qwen2-72B-Instruct8
VideoLLaMA2.1-7B-16F-BaseBasesiglip-so400m-patch14-384Qwen2-7B-Instruct16
VideoLLaMA2.1-7B-16F (This Checkpoint)Chatsiglip-so400m-patch14-384Qwen2-7B-Instruct16

🚀 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-16F'
    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_qwen2 неизвестна transformers в образе рантайма.

Класс архитектуры
Videollama2Qwen2ForCausalLM
Ревизия весов
d27e105

0 моделей