/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
18 мая 2026

VideoTemp-o3

Компьютерное зрениеВидео, текст → текст5 профессий

VideoTemp-o3 — дообученная мультимодальная модель для поиска релевантных фрагментов видео и ответов на вопросы по их визуальному содержимому.

70скачиваний за 30 дней5лайковвеса обновлены20 мая 2026

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

VideoTemp-o3 — модель Kwai-Keye для ответов на вопросы по видео с поиском временных фрагментов, наиболее относящихся к вопросу. Она выполняет итеративное временное заземление: находит релевантный участок видео, уточняет его и формирует ответ на основе визуальных свидетельств. Модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct и использует плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров; заявленный контекст составляет 128 000 токенов. Поддерживаемая задача по метаданным — video-text-to-text, язык карточки — английский.

Модель предназначена для видеоаналитики и агентных сценариев, где ответ нужно связать с конкретными событиями или временными интервалами ролика. Репозиторий содержит веса Safetensors. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы о событиях в видео
  • поиск временного фрагмента, относящегося к вопросу
  • уточнение найденного участка видео для проверки ответа

Ограничения

Описание модели не приводит количественных результатов оценки или подробных ограничений; язык карточки — английский, поэтому поддержка других языков не подтверждена.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image

Illustration of the agentic pipeline in VideoTemp-o3. Given a video QA pair, the model performs on-demand temporal grounding to locate the most relevant segment, then refines it iteratively. Finally, it produces a reliable answer grounded in the pertinent visual evidence.

Citation

If you find our work useful, please consider citing:

@article{liu2026videotemp,
  title={VideoTemp-o3: Harmonizing Temporal Grounding and Video Understanding in Agentic Thinking-with-Videos},
  author={Liu, Wenqi and Wang, Yunxiao and Ma, Shijie and Liu, Meng and Su, Qile and Zhang, Tianke and Fan, Haonan and Liu, Changyi and Jiang, Kaiyu and Chen, Jiankang and Tang, Kaiyu and Wen, Bin and Yang, Fan and Gao, Tingting and Li, Han and Wei, Yinwei and Song, Xuemeng},
  journal={arXiv preprint arXiv:2602.07801},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
bed26cd

0 моделей