/ 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-Image

Генерация текстаТекст → текст7 профессий

Мультимодальная модель DAMO-NLP-SG на базе Qwen2.5-1.5B-Instruct для ответов на вопросы по изображениям и анализа визуального содержимого.

72скачиваний за 30 дней8лайковвеса 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

VideoLLaMA3-2B-Image — мультимодальная модель для понимания изображений, основанная на Qwen2.5-1.5B-Instruct и разработанная командой DAMO-NLP-SG. Она принимает текстовые вопросы и визуальный контент и формирует текстовые ответы; карточка представляет её как вариант семейства VideoLLaMA 3 для анализа изображений и видео. Модель содержит 1,5 млрд параметров, использует архитектуру Videollama3Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов.

Модель подходит для ответов на вопросы о содержимом изображений, извлечения сведений из визуальных сцен и мультимодального диалога. В README VideoLLaMA 3 также описана как семейство для понимания видео, однако эта карточка и её основной тег относятся к visual question answering. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • извлечение сведений из изображений документов
  • мультимодальный диалог с опорой на изображение

Ограничения

README описывает возможности семейства VideoLLaMA 3, но не приводит подробных оценок качества или ограничений именно этой версии. Указание на поддержку видео относится к семейству; основной тег карточки — ответы на визуальные вопросы.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

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

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)

# Image conversation
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": {"image_path": "https://github.com/DAMO-NLP-SG/VideoLLaMA3/blob/main/assets/sora.png?raw=true"}},
            {"type": "text", "text": "What is the woman wearing?"},
        ]
    }
]

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
5d426e9

0 моделей