/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
pytorch
Опубликована
16 июл 2026

Video-4M-models

Видео из изображенияИзображение, текст → видео

Video-4M — мультимодальная модель для преобразования видео и других модальностей, включая генерацию видео по изображению и прогнозирование видео по разреженным входам.

0скачиваний за 30 дней1лайквеса обновлены5 окт 2026

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

Video-4M — семейство мультимодальных моделей для видео, разработанное исследователями EPFL совместно с Google и Lambda. Репозиторий содержит два предварительно обученных чекпойнта на 705 млн параметров каждый: Video-4M-L и Video-4M-Pred-L. Модель предназначена для задач преобразования между видео и другими модальностями с гибким переходом между временными этапами; метаданные Hugging Face указывают задачу image-to-video.

Video-4M-Pred-L настроена на предсказание видео по разреженным входам, например подписи или транскрипции, и на прогнозирование будущих кадров, сохраняя возможность выполнять другие задачи семейства. Для проверки доступна демонстрация Hugging Face Space, а для локального запуска — ноутбуки в репозитории кода, которые автоматически загружают чекпойнты и токенизаторы. В карточке указана лицензия other; конкретные условия лицензии в предоставленных данных не раскрыты.

Сценарии применения

  • генерация видео по изображению
  • предсказание видео по подписи
  • предсказание видео по транскрипции
  • прогнозирование будущих кадров видео
  • мультимодальные задачи преобразования видео

Ограничения

В предоставленных данных не указаны поддерживаемые языки, длина контекста или подробные условия лицензии; лицензия обозначена как other. Чекпойнты предназначены для задач видео, и практический запуск описан через демонстрацию или ноутбуки репозитория кода.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Any-to-Any Video Modeling: Modeling the World by Traversing Time and Modalities

Muhammad Uzair Khattak, Won Jun Kim, Reza Abbassi, Albias Havolli, Michael Murphy, Amir Zadeh, Chuan Li, Muhammad Ferjad Naeem*, Oğuzhan Fatih Kar*, Roman Bachmann*, Andrei Atanov*, Federico Tombari, Amir Zamir

EPFL, Google, Lambda

Official pre-trained checkpoints for Video-4M, an any-to-any multimodal model for the video domain that allows flexible traversal across both modality and time axes.

🌐 Project page | 📄 Paper | 💻 Code | 🤗 Tokenizers | 🤗 Demo | BibTeX

Model checkpoints

This repository hosts the main Video-4M model checkpoints. We release two checkpoint versions, both pretrained on the K600-MM dataset:

ModelParamsFileConfig
Video-4M-L705Mmain_model/Video-4M-L.pthConfig
Video-4M-Pred-L705Mmain_model/Video-4M-Pred-L.pthConfig

Video-4M-Pred is a Video-4M model whose pretraining input-output mixture is biased toward predicting video from sparse modalities (e.g., caption, transcription) and toward forecasting tasks. It can still perform all other any-to-any tasks.

Usage

We provide two ways to get started with Video-4M: the 🤗 Space demo, which lets you test Video-4M without any local setup, and the notebooks in our main GitHub code repository. Both download the model checkpoints and the tokenizers automatically.

Below, we provide a minimal example of performing inference with Video-4M using our notebook pipeline. Here, we give an RGB video as input and generate all other modalities via chained generation:

from notebooks import pipeline
from notebooks.display_utils import video_grid

tokenizers = pipeline.load_tokenizers()                               # downloads the tokenizers from the Hub on first call
model = pipeline.load_model(tokenizers, model_name="Video-4M_Pred_L")  # downloads the model from the Hub on first call

example = pipeline.load_example(pipeline.list_examples()[0])  # downloads pre-tokenized video examples from the Hub, and selects the first one

results = pipeline.generate(
    example, input_modalities=["rgb"],
    chain=pipeline.CHAIN_PRESETS["rgb_to_others"]["chain"],  # you can also define a custom chain, e.g. ['caption', 'depth']
    tokenizers=tokenizers, model=model,
)
video_grid(results, cols=5, width=170, title="rgb -> everything else")  # for visualizing the generation results

For installation, training, and evaluation instructions, please see the README of our main GitHub code repository.

License

The model weights are released under the Sample Code license as found in LICENSE_WEIGHTS.

Citation

If you find this repository useful, please consider citing:

@article{video4m2026,
    title={{Any-to-Any Video Modeling: Modeling the World by Traversing Time and Modalities}},
    author={Khattak, Muhammad Uzair and Kim, Won Jun and Abbassi, Reza and Havolli, Albias and Murphy, Michael and Zadeh, Amir and Li, Chuan and Naeem, Muhammad Ferjad and Kar, O\u{g}uzhan Fatih and Bachmann, Roman and Atanov, Andrei and Tombari, Federico and Zamir, Amir},
    journal={arXiv preprint},
    year={2026},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
ba44058

0 моделей