/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
ttvidt · dense
Базовая модель
dinov3-vitb16-pretrain-lvd1689m
Библиотека
transformers
Опубликована
30 сен 2026

TTVidT

Классификация видеоВидео → label3 профессии

TT-VidT — видеоэнкодер на базе DINOv3, который извлекает последовательности эмбеддингов движения для классификации видео и других задач понимания видеосцен.

106скачиваний за 30 дней8лайковвеса обновлены30 сен 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

TT-VidT — разработанный KohakuBlueleaf самоконтролируемый видеоэнкодер для выделения движения. Модель сочетает визуальный путь DINOv3 ViT-B/16, обрабатывающий кадры независимо, и компактный временной путь Temporal Transfer, который передаёт информацию между кадрами с помощью motion-токенов. Эту версию предварительно обучили на OpenVid-1M; она содержит 195,5 млн параметров и принимает последовательность из 8 RGB-кадров размером 256 × 256, рассчитанную на частоту 6 кадров в секунду.

Основной выход — вектор движения размерности 768 для каждого кадра. Эмбеддинги подходят для классификации видео и могут использоваться как признаки движения в задачах поиска, описания и генерации видео; перечисленные сценарии за пределами классификации представлены авторами как возможные направления применения. В опубликованной оценке замороженный энкодер показал результаты на нескольких наборах данных распознавания действий. Для загрузки используются PyTorch и Transformers. Веса доступны по лицензии Apache-2.0.

Сценарии применения

  • классификация действий в видеороликах
  • извлечение признаков движения из последовательности кадров
  • поиск похожих видеороликов по движению
  • подготовка признаков видео для последующего дообучения

Ограничения

Вход модели в описанной конфигурации ограничен 8 RGB-кадрами размером 256 × 256. Результаты приведены для оценки замороженного энкодера на конкретных наборах данных и не гарантируют качество на других сценариях.

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

TT-VidT

Decoupling the Temporal Axis for Efficient Motion-Centric Video Pretraining

NeurIPS 2026 (main track)

Project Page Paper arXiv Code Decoders License

image

TT-VidT is a self-supervised video encoder built for motion. A DINOv3 ViT-B/16 processes every frame independently (the appearance path), while a compact Temporal Transfer pathway turns each frame into a few motion tokens that exchange information across time. This repository holds the pretrained TT3D encoder (195.5M parameters).

Model

TT-VidT architecture

  • Encoder: 12 DINOv3 ViT-B/16 layers interleaved with 12 Temporal Transfer (TT3D) layers. Each TT3D layer runs block-causal attention over the frame's K = 8 motion tokens together with its 4x-downsampled spatial tokens, and writes the result back to the spatial stream.
  • Pretraining objective: Diff Compression. A DiT decoder reconstructs every later frame from the first frame's features plus that frame's motion tokens, so the motion tokens carry what the first frame cannot explain.
Parameters195.5M (incl. the 85.1M DINOv3 spatial path)
Input8 RGB frames, 256 x 256, pixels in [-1, 1] (mean = std = 0.5), sampled at 6 fps in pretraining
Outputmotion_output: one 768-d motion embedding per frame, [B, T, 1, 768]
Weightsfp32 safetensors, encoder only

Quick start

With transformers only (the model code ships in this repository):

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("KBlueLeaf/TTVidT", trust_remote_code=True).cuda().eval()

video = torch.rand(1, 8, 3, 256, 256, device="cuda") * 2 - 1    # [B, T, C, H, W] in [-1, 1]
with torch.no_grad(), torch.autocast("cuda", dtype=torch.float16):
    motion = model(video).motion_output                           # [B, T, 1, 768]

With the TT-VidT codebase (training, evaluation, feature extraction):

from ttvidt.hub import load_model

model = load_model("KBlueLeaf/TTVidT", device="cuda")
motion = model.encoder(video).motion_output

Loading needs no access to the (gated) DINOv3 base weights: every weight is in this repository.

Results

Frozen attentive probe on the motion embeddings, top-1 accuracy (%), mean of 3 seeds, 8 frames (evaluation protocol of the paper):

HMDB51ARIDIARDJesterSSv2
25.236.186.072.925.4

For the full study (24 architecture–objective pairs at matched scale, fine-tuning and diagnostics), see the paper.

Possible downstream uses

The encoder gives a compact sequence of per-frame motion tokens alongside the DINOv3 appearance features. Some directions we think are worth trying:

  • From image models to video models: pair an existing image model with the motion token sequence to get a video model for understanding in the broad sense: classification, retrieval, captioning, question answering, or any other task.
  • Generation and motion transfer: use the motion tokens as a conditioning signal for video generation, or take them from one clip and apply them to another subject or scene.

[!TIP] Further exploration and feedback are very welcome, and so are attempts at larger scale (bigger backbones, more data, longer training). Please open an issue or a discussion on GitHub or in the Community tab.

Related resources

ResourceLink
Project pagekohakublueleaf.github.io/TTVidT
Paperhuggingface.co/papers/2609.33419 · arXiv:2609.33419
Source code (training, evaluation, all paper configs)github.com/KohakuBlueleaf/TTVidT
Pretrained DiT decoders (Diff Compression and the other objectives)KBlueLeaf/TTVidT-decoders

Files

FileContent
config.jsonarchitecture and loader configuration (transformers + TT-VidT codebase)
model.safetensorsfp32 encoder weights
*.pyencoder code for trust_remote_code (needs only torch and transformers)
assets/figures of this card

License

Apache-2.0. The spatial path is initialised from DINOv3, which is released under its own license.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Нельзя запустить

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

Класс архитектуры
TTVidTModel
Ревизия весов
3c7a789

0 моделей