/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl_timeple · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
15 авг 2026

TimePLE

Изображение и текст → текст3 профессии

TimePLE-8B локализует начало и конец описанного текстом события в видео.

96скачиваний за 30 дней3лайкавеса обновлены15 авг 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

TimePLE-8B — модель KlingTeam на базе Qwen3-VL-8B-Instruct, дообученная для временной локализации событий в видео. По видео и текстовому описанию события она предсказывает его начальный и конечный моменты с помощью адаптивного к длительности кодека TimePLE. Модель имеет плотную мультимодальную архитектуру Qwen3-VL с кодеком временных интервалов и интерфейсным MLP-адаптером; веса опубликованы в формате safetensors с точностью bfloat16. Для подготовки видео, декодирования временных интервалов и инференса требуется реализация из отдельного репозитория TimePLE.

Модель предназначена для экспериментов и оценки методов temporal grounding и moment retrieval, а также для дальнейшей настройки под локализацию событий. Обучающие данные и запросы преимущественно англоязычные. Качество границ зависит от выборки кадров, метаданных длительности и предобработки видео; неоднозначные, повторяющиеся и очень короткие события могут локализоваться нестабильно. Модель распространяется по лицензии Apache-2.0; для базовой модели, видео и используемых датасетов могут действовать отдельные условия.

Сценарии применения

  • поиск временного отрезка видео по описанию события
  • локализация действий и событий в видеороликах
  • эксперименты с temporal grounding
  • оценка методов поиска момента в видео
  • дообучение модели для временной разметки видео

Ограничения

Качество локализации зависит от выборки кадров, метаданных длительности и предобработки видео; неоднозначные, повторяющиеся и очень короткие события могут давать нестабильные границы. Другие языки и новые предметные области не подтверждены, а результаты валидации нельзя напрямую сравнивать с тестами при иных протоколах.

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

TimePLE-8B

TimePLE-8B is a Qwen3-VL-8B-Instruct model fine-tuned for video temporal grounding. Given a video and a natural-language event description, it represents and predicts the event's start/end span through a duration-adaptive TimePLE codec.

This is an inference release: it contains the selected stage-2 model weights and tokenizer/processor assets. The TimePLE model implementation is maintained in the public TimePLE source repository instead of being duplicated in this model repository. Optimizer, scheduler, RNG, and distributed-training states are intentionally excluded.

Requirements and loading

Install the TimePLE package from its public GitHub repository first, then install the pinned runtime dependencies from this directory:

pip install "timeple @ git+https://github.com/KlingAIResearch/TimePLE.git"
pip install -r requirements.txt

Importing timeple registers the TimePLE configuration, model, and processor with Transformers. The model repository contains no executable Python code and does not require trust_remote_code=True.

import torch
import timeple  # registers TimePLE with the Transformers AutoClasses
from transformers import AutoModelForImageTextToText, AutoProcessor

# A downloaded local model directory also works.
model_id = "KlingTeam/TimePLE"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    device_map="auto",
).eval()

The TimePLE source repository provides the video preparation, temporal decoding, and benchmark runners. For example:

SUITE=charades_sta bash scripts/eval/run_suite.sh --models timeple_8b

The plain Transformers load above verifies and exposes the model; use the repository's TimePLE inference/evaluation path for decoded temporal intervals because it supplies video durations and the task-specific post-processing contract.

Model details

  • Base model: Qwen/Qwen3-VL-8B-Instruct
  • Architecture: Qwen3VLForConditionalGenerationWithTimePLECodec
  • Task: video temporal grounding / moment retrieval
  • Weight dtype: bfloat16
  • Serialization: four sharded safetensors files
  • Vision tower: frozen during stage-2 SFT
  • Language model, TimePLE codec, and MLP interface adapter: trainable during stage-2 SFT
  • License: Apache-2.0

The tokenizer vocabulary has 151,671 entries. It preserves all 13 Qwen3-VL additional special tokens and appends:

TokenIDPurpose
`<TIMESTAMP>`
`<TIMESPAN>`

The TimePLE codec uses a 128×128 canonical span grid, a duration-adaptive residual decoder, and a learned MLP interface adapter to the 4096-dimensional language-model representation.

Intended use

This model is intended for research and evaluation of temporal localization in videos from a textual event query. Suitable uses include moment retrieval experiments, temporal-grounding ablations, and further task-specific fine-tuning.

Limitations

  • Temporal quality depends on frame sampling, video duration metadata, and the inference pipeline's video preprocessing.
  • The training data and prompts are primarily English; other languages and unseen domains have not been established here.
  • Long, ambiguous, repeated, or extremely brief events may yield unstable boundaries.
  • The reported validation result comes from the training-time validation mixture and should not be compared directly with benchmark test results produced under different sampling or evaluation protocols.
  • The model inherits limitations and potential biases of Qwen3-VL and of the stage-1/stage-2 training data.

Release contents and integrity

Model parameters—including all TimePLE codec and adapter parameters—are stored in the indexed safetensors shards. No pickle-based .bin, .pt, or .pth weight file is required. The model directory contains no executable Python implementation; AutoClass registration is provided by the separately installed timeple package.

See LICENSE for the release license. Users must also comply with the terms applicable to the base model, input videos, and any datasets they use.

Citation

Paper: TimePLE: Rethinking Temporal Representation for Video Temporal Grounding

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура qwen3_vl_timeple неизвестна transformers в образе рантайма.

Класс архитектуры
Qwen3VLForConditionalGenerationWithTimePLECodec
Ревизия весов
f583ef5

0 моделей