/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
videollama3_qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
21 янв 2025

VideoLLaMA3-7B

Генерация текстаТекст → текст3 профессии

VideoLLaMA3-7B — мультимодальная модель для анализа изображений и видео и ответов на вопросы о визуальном содержимом.

3 603скачиваний за 30 дней78лайковвеса обновлены2 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

VideoLLaMA3-7B — мультимодальная модель DAMO-NLP-SG для понимания видео и изображений. Она объединяет визуальную информацию с текстом и отвечает на вопросы о содержимом статичных и динамичных сцен, включая задачи рассуждения по видеопоследовательностям.

Модель построена на архитектуре VideoLLaMA3 с языковой основой Qwen2.5-7B-Instruct; в метаданных указано слияние с DAMO-NLP-SG/VideoLLaMA3-7B-Image. Размер — 7,1 млрд параметров, контекст — 32 768 токенов. Поддерживаются диалоговый режим и генерация текста по визуальному содержимому; карточка заявляет возможности понимания изображений и видео. Модель опубликована в формате safetensors для Transformers и распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом видео
  • создание краткого пересказа видеоролика
  • описание изображений и сцен
  • поиск событий и деталей в видеопоследовательности

Ограничения

Карточка не приводит оценок качества или подробных ограничений; результаты могут зависеть от длительности и содержания визуального ввода.

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
VideoLLaMA3-7B (This Checkpoint)Qwen2.5-7BDAMO-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-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/VideoLLaMA3-7B"

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
d5b763e

0 моделей