/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
17,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Опубликована
1 окт 2025

VideoNSA

Компьютерное зрениеВидео, текст → текст3 профессии

VideoNSA — модель на базе Qwen2.5-VL-7B с разреженным вниманием для эффективного анализа длинных видео по текстовым запросам.

71скачиваний за 30 дней2лайкавеса обновлены8 окт 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

VideoNSA — мультимодальная модель для понимания длинных видеозаписей, разработанная на базе Qwen2.5-VL-7B. Она использует разреженное внимание с обучаемым распределением видеотокенов между ветвями сжатия, отбора информативных сегментов и скользящего окна. Архитектура рассчитана на обработку до 128 000 визуально-текстовых токенов, используя около 3,6% бюджета полного внимания.

Модель предназначена для анализа видео и работы с текстовыми запросами о его содержании. Заявлены оптимизация для современных GPU и конкурентные результаты на бенчмарках понимания видео. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

VideoNSA оптимизирована для видео и может быть менее эффективна на чисто изображениях. Обработка длинных видео требует достаточной памяти GPU, а результат может зависеть от разрешения и частоты кадров.

Сценарии применения

  • ответы на вопросы о содержании длинного видео
  • поиск важных событий и фрагментов в видеозаписи
  • анализ последовательности действий в видео
  • суммаризация содержания видеозаписи

Ограничения

Для обработки длинных видео требуется достаточная память GPU; качество может зависеть от разрешения и частоты кадров. Модель оптимизирована для видео и может быть не лучшим выбором для задач только с изображениями.

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

VideoNSA: Native Sparse Attention for Video Understanding

Model Description

VideoNSA is a learnable, hardware-aware sparse-attention framework built on Qwen2.5-VL-7B for efficient long video understanding. It processes up to 128K vision-text tokens using only 3.6% of the full attention budget while maintaining competitive performance.

Key Features

  • 🎯 Learned Sparsity: Intelligently learns sparsity patterns over video tokens
  • 🚀 Efficient Scaling: Handles massive video contexts with minimal computational overhead
  • 🎬 Hybrid Attention: Combines compression, selection, and sliding window mechanisms
  • 🔧 Hardware-Aware: Optimized for efficient inference on modern GPUs
  • 📊 Strong Performance: Achieves leading results on video understanding benchmarks

Model Architecture

VideoNSA employs a hybrid attention strategy with three complementary branches:

  1. Compression Branch: Averages frame KV blocks to maintain salient visual cues
  2. Selection Branch: Ranks and retains the most informative video segments
  3. Sliding Window Branch: Ensures local temporal coverage for fine-grained details

Each branch is weighted by learnable per-head gates for adaptive token allocation across different tasks.

Training Details

  • Base Model: Qwen2.5-VL-7B-Instruct
  • Dataset: Filtered LLaVA-Video-178K
  • Sampling Rate: 4 fps
  • Context Limit: 36K tokens during training
  • Compute: ~4,600 H100 GPU hours

Usage

For installation, training, and evaluation instructions, please refer to:

Limitations

  • Optimized for video understanding tasks; may not be optimal for pure image tasks
  • Requires sufficient GPU memory for long video processing
  • Performance may vary with different video resolutions and frame rates

Citation

@misc{song2025videonsanativesparseattention,
      title={VideoNSA: Native Sparse Attention Scales Video Understanding}, 
      author={Enxin Song and Wenhao Chai and Shusheng Yang and Ethan Armand and Xiaojun Shan and Haiyang Xu and Jianwen Xie and Zhuowen Tu},
      year={2025},
      eprint={2510.02295},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.02295}, 
}

Resources

License

This model is released under the Apache 2.0 License.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VideoNSAForConditionalGeneration
Ревизия весов
d18c083

0 моделей