/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,4 млрд
Размер весов
17,2 ГБ
Архитектура
internlmxcomposer2 · dense
Опубликована
6 июн 2024

ShareCaptioner-Video

Генерация текстаТекст → текст3 профессии

ShareCaptioner-Video — дообученная на InternLM-Xcomposer2-4KHD модель для подробного описания, потокового комментирования и суммирования видео.

86скачиваний за 30 дней19лайковвеса обновлены11 июн 2024

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

ShareCaptioner-Video — открытая модель Lin-Chen для подробного описания и суммирования видео. Она дообучена на базе InternLM-Xcomposer2-4KHD, использует архитектуру InternLM2ForCausalLM и содержит 7,4 млрд параметров. Для обработки видео кадры представляются модели в виде изображений; в описании указана поддержка разных длительностей, пропорций сторон и разрешений. Контекст составляет 32 768 токенов.

Модель предназначена для генерации описаний видео и поддерживает четыре сценария: быстрое описание коротких роликов по ключевым кадрам, потоковое описание событий между соседними кадрами, суммирование клипа по последовательности дифференциальных описаний и переформулирование текстовых запросов в плотные описания. Обучение проводилось на данных ShareGPT4Video, включая пары видео и описаний, дифференциальные описания и текстовые запросы. Модель ориентирована на исследователей и любителей в области компьютерного зрения и машинного обучения.

Модель выдаёт текст и принимает визуальные кадры либо текст в зависимости от сценария. В README не указаны поддерживаемые естественные языки и лицензия, поэтому их нельзя уточнить по доступным сведениям. Это специализированная модель описания видео, а не универсальная система для любых задач генерации текста.

Сценарии применения

  • генерация подробных описаний коротких видео
  • потоковое описание событий в длинном видео по соседним кадрам
  • суммирование клипа по последовательности описаний кадров
  • переформулирование текстового запроса в плотное описание видео

Ограничения

Модель специализирована на описании и суммировании видео; доступные сведения не подтверждают поддержку других языков помимо языка обучающих описаний. Лицензия и независимые показатели качества в предоставленных источниках не приведены.

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

ShareCaptioner-Video Model Card

Model details

Model type: ShareCaptioner-Video is an open-source captioner fine-tuned on GPT4V-assisted ShareGPT4Video detailed caption data with supporting various durations, aspect ratios, and resolutions of videos. ShareCaptioner-Video is based on the InternLM-Xcomposer2-4KHD model.

ShareCaptaioner-Video features 4 roles:

  • Fast Captioning: The model employs an image-grid format for direct video captioning, providing rapid generation speeds that are ideal for short videos. In practice, we concatenate all the keyframes of a video into a vertically elongated image and train the model on a caption task.
  • Sliding Captioning: The model supports streaming captioning in a differential sliding-window format, yielding high-quality captions that are suitable for long videos. We take the two adjacent keyframes alongside the previous differential caption as input, and train the model to describe the events occurring between them.
  • Clip Summarizing: The model can swiftly summarize any clip from ShareGPT4Video or videos that have undergone the differential sliding-window captioning process, eliminating the need to re-process frames. We use all the differential descriptions as input, and the output is the video caption.
  • Prompt Re-Captioning: The model can rephrase prompts input by users who prefer specific video generation areas, ensuring that T2VMs trained on high-quality video-caption data maintain format alignment during inference with their training. In practice, we use GPT-4 to generate Sora-style prompts for our dense captions, and we train the re-captioning task in reverse, i.e., by using the generated prompt as input and the dense caption as the training target.

Model date: ShareCaptioner was trained in May 2024.

Paper or resources for more information: [Project] [Paper] [Code]

Intended use

Primary intended uses: The primary use of ShareCaptioner-Video is about producing high-quality video captions.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Finetuning dataset

  • 40K GPT4V-generated video-caption pairs
  • 40K differential sliding-window captioning conversations
  • 40K prompt-to-caption textual data

Paper

arxiv.org/abs/2406.04325

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
InternLM2ForCausalLM
Ревизия весов
b59e7f6

0 моделей