/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
11 июл 2024

kangaroo

Генерация текстаТекст → текст3 профессии

Kangaroo — мультимодальная модель для описания видео, ответов на вопросы о нём и диалога по видеосодержимому.

52скачиваний за 30 дней15лайковвеса обновлены13 ноя 2024

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 «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

Kangaroo — мультимодальная языковая модель KangarooGroup для понимания видео, построенная на плотной архитектуре семейства Llama. Модель содержит 7,5 млрд параметров, принимает видеопоследовательности длиной до 160 кадров и имеет контекстное окно 8192 токена. Репозиторий содержит веса PyTorch и safetensors; модель поддерживает диалоговый режим на английском и китайском языках, включая многоходовые беседы.

Модель предназначена для создания подписей к видео, ответов на вопросы о видеосодержимом и диалога по видео. Авторы сообщают о результатах на бенчмарках понимания видео, однако эти заявления приведены в карточке без подробностей в доступном тексте. Модель выпущена под лицензией Apache-2.0.

Сценарии применения

  • создание текстовых описаний видеороликов
  • ответы на вопросы о событиях и объектах в видео
  • диалог с пользователем по содержанию видео
  • понимание длинных видеороликов до 160 кадров

Ограничения

Заявления о высоких результатах основаны на бенчмарках, перечисленных авторами, но в доступном тексте карточки нет их подробностей. Поддержка входных видео ограничена описанным пределом в 160 кадров и контекстом в 8192 токена.

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

Kangaroo: A Powerful Video-Language Model Supporting Long-context Video Input

Kangaroo has been released. Please check out our paper, blog and github for details.

Abstract

We introduce Kangaroo, a powerful Multimodal Large Language Model designed for long-context video understanding. Our presented Kangaroo model shows remarkable performance across diverse video understanding tasks including video caption, QA and conversation. Generally, our key contributions in this work can be summarized as follows:

Quick Start

Installation

See our github page

Multi-round Chat with 🤗 Transformers

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("KangarooGroup/kangaroo")
model = AutoModelForCausalLM.from_pretrained(
    "KangarooGroup/kangaroo",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
)
model = model.to("cuda")
terminators = [tokenizer.eos_token_id, tokenizer.convert_tokens_to_ids("<|eot_id|>")]

video_path = "/path/to/video"

# Round 1
query = "Give a brief description of the video."
out, history = model.chat(video_path=video_path,
                          query=query,
                          tokenizer=tokenizer,
                          max_new_tokens=512,
                          eos_token_id=terminators,
                          do_sample=True,
                          temperature=0.6,
                          top_p=0.9,)
print('Assitant: \n', out)

# Round 2
query = "What happend at the end of the video?"
out, history = model.chat(video_path=video_path,
                          query=query,
                          history=history,
                          tokenizer=tokenizer,
                          max_new_tokens=512,
                          eos_token_id=terminators,
                          do_sample=True,
                          temperature=0.6,
                          top_p=0.9,)
print('Assitant: \n', out)

Citation

If you find it useful for your research , please cite related papers/blogs using this BibTeX:


@misc{kangaroogroup,
	title={Kangaroo: A Powerful Video-Language Model Supporting Long-context Video Input},
	url={https://kangaroogroup.github.io/Kangaroo.github.io/},
	author={Jiajun Liu and Yibing Wang and Hanghang Ma and Xiaoping Wu and Xiaoqi Ma and Jie Hu},
	month={July},
	year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
KangarooForCausalLM
Ревизия весов
ded0c00

0 моделей