/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
videollama3_qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
21 янв 2025

VideoLLaMA3-2B

Генерация текстаТекст → текст3 профессии

VideoLLaMA3-2B — мультимодальная модель DAMO-NLP-SG, которая отвечает на текстовые запросы по видео и изображениям.

3 989скачиваний за 30 дней21лайквеса обновлены3 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

VideoLLaMA3-2B — мультимодальная модель DAMO-NLP-SG для анализа видео и изображений с помощью текстовых запросов. Она объединяет визуальный энкодер с языковой моделью на архитектуре Qwen2 и предназначена для понимания визуального содержимого, извлечения сведений из последовательностей кадров и рассуждений о статичных и динамичных сценах.

Модель содержит 1,5 млрд параметров, принимает текст и видео, а также поддерживает сценарии понимания изображений. Максимальный контекст — 32 768 токенов. Среди практических задач — описание видеоклипов, ответы на вопросы о содержимом видео и изображений и анализ визуальных сцен. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0.

README перечисляет наборы данных для обучения и оценки, включая LLaVA-Video-178K и ShareGPT4Video. Качество на конкретных задачах в предоставленной карточке не описано; ответы могут содержать ошибки или пропускать детали визуального содержимого.

Сценарии применения

  • ответы на вопросы о содержимом видеоклипов
  • краткое описание сцен в видео
  • поиск событий и действий в видеозаписи
  • ответы на вопросы по изображениям
  • рассуждения о последовательности визуальных событий

Ограничения

Предоставленная карточка не приводит количественных оценок качества; модель может ошибаться в ответах и пропускать детали видео или изображений.

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

🌟 Introduction

VideoLLaMA 3 represents a state-of-the-art series of multimodal foundation models designed to excel in both image and video understanding tasks. Leveraging advanced architectures, VideoLLaMA 3 demonstrates exceptional capabilities in processing and interpreting visual content across various contexts. These models are specifically designed to address complex multimodal challenges, such as integrating textual and visual information, extracting insights from sequential video data, and performing high-level reasoning over both dynamic and static visual scenes.

🌎 Model Zoo

ModelBase ModelHF Link
VideoLLaMA3-7BQwen2.5-7BDAMO-NLP-SG/VideoLLaMA3-7B
VideoLLaMA3-2B (This Checkpoint)Qwen2.5-1.5BDAMO-NLP-SG/VideoLLaMA3-2B
VideoLLaMA3-7B-ImageQwen2.5-7BDAMO-NLP-SG/VideoLLaMA3-7B-Image
VideoLLaMA3-2B-ImageQwen2.5-1.5BDAMO-NLP-SG/VideoLLaMA3-2B-Image

We also upload the tuned vision encoder of VideoLLaMA3-7B for wider application:

ModelBase ModelHF Link
VideoLLaMA3-7B Vision Encodersiglip-so400m-patch14-384DAMO-NLP-SG/VL3-SigLIP-NaViT

🚀 Main Results

  • * denotes the reproduced results.

🤖 Quick Start

import torch
from transformers import AutoModelForCausalLM, AutoProcessor, AutoModel, AutoImageProcessor

model_name = "DAMO-NLP-SG/VideoLLaMA3-2B"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    trust_remote_code=True,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)
processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
video_path = "put your video path here"
question = "Describe this video in detail."

# Video conversation
conversation = [
    {"role": "system", "content": "You are a helpful assistant."},
    {
        "role": "user",
        "content": [
            {"type": "video", "video": {"video_path": video_path, "fps": 1, "max_frames": 128}},
            {"type": "text", "text": question},
        ]
    },
]

inputs = processor(conversation=conversation, return_tensors="pt")
inputs = {k: v.cuda() if isinstance(v, torch.Tensor) else v for k, v in inputs.items()}
if "pixel_values" in inputs:
    inputs["pixel_values"] = inputs["pixel_values"].to(torch.bfloat16)
output_ids = model.generate(**inputs, max_new_tokens=128)
response = processor.batch_decode(output_ids, skip_special_tokens=True)[0].strip()
print(response)

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

Нельзя запустить

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

Класс архитектуры
Videollama3Qwen2ForCausalLM
Ревизия весов
f813276

0 моделей