/ Модель

Характеристики

Параметры
545 млн
Лицензия
Apache 2.0
Архитектура
videochat3_vision · dense
Библиотека
transformers
Опубликована
5 июл 2026

I3D-ViT

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер ViT от MCG-NJU для извлечения признаков изображений и использования в качестве основы визуального модуля VideoChat3.

229скачиваний за 30 дней12лайковвеса обновлены2 окт 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

MCG-NJU/I3D-ViT — самостоятельный визуальный энкодер на базе Vision Transformer, выпущенный командой MCG-NJU после этапа предварительного обучения визуального энкодера Stage 0, описанного в статье. Репозиторий содержит реализацию VideoChat3VisionModel, конфигурацию зрения и веса ViT; энкодер использовался для инициализации визуальной основы модели MCG-NJU/VideoChat3-4B.

Модель предназначена для извлечения признаков из изображений и работы как визуальный компонент более крупной системы. Веса объёмом около 544,9 млн параметров доступны в формате safetensors; заявлена библиотека Transformers. Лицензия Apache-2.0. Карточка не сообщает размер контекста, конкретный список поддерживаемых языков или детальные ограничения качества.

Сценарии применения

  • извлечение визуальных признаков из изображений
  • подготовка визуальных представлений для VideoChat3
  • использование визуального энкодера в мультимодальной системе

Ограничения

README описывает энкодер как компонент визуальной основы VideoChat3, а не как самостоятельную модель для диалога или генерации ответов. Поддерживаемые сценарии за пределами извлечения признаков изображений в карточке не раскрыты.

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

I3D-ViT

Introduction

I3D-ViT is the standalone vision encoder obtained after the vision encoder pre-training stage (Stage 0) described in the paper. It contains the VideoChat3VisionModel implementation, vision configuration, and the ViT weights. This vision encoder is subsequently used to initialize the visual backbone of MCG-NJU/VideoChat3-4B.

📄 Paper · 🌐 Homepage · 💻 GitHub · 🤗 Paper Page

Example usage

For image input:

from PIL import Image
import torch
from transformers import AutoImageProcessor, AutoModel

model_path = "MCG-NJU/I3D-ViT"
image_path = "example.jpg"

model = AutoModel.from_pretrained(
    model_path,
    trust_remote_code=True,
    dtype="auto",
    device_map="auto",
).eval()
processor = AutoImageProcessor.from_pretrained(model_path)

image = Image.open(image_path).convert("RGB")
inputs = processor(images=image, return_tensors="pt")

pixel_values = inputs["pixel_values"].to(
    device=model.device,
    dtype=model.dtype,
)
grid_thws = inputs["image_grid_thw"].to(model.device)

with torch.inference_mode():
    image_features: list = model(
        pixel_values=pixel_values,
        grid_thws=grid_thws,
    )

print(image_features[0].shape)

For video input:


import torch
from transformers import AutoModel, AutoVideoProcessor


model_path = "MCG-NJU/I3D-ViT"
video_path = "example.mp4"
num_frames = 4

model = AutoModel.from_pretrained(
    model_path,
    trust_remote_code=True,
    dtype="auto",
    device_map="auto",
).eval()
processor = AutoVideoProcessor.from_pretrained(
    model_path,
    trust_remote_code=True,
)

inputs = processor(
    videos=video_path,
    fps=None,
    num_frames=num_frames,
    return_tensors="pt",
)

pixel_values = inputs["pixel_values_videos"].to(
    device=model.device,
    dtype=model.dtype,
)
grid_thws = inputs["video_grid_thw"].to(model.device)

with torch.inference_mode():
    video_features: list = model(
        pixel_values=pixel_values,
        grid_thws=grid_thws,
    )

print(video_features[0].shape)


Citation

@article{li2026videochat3,
  title={VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding},
  author={Li, Xinhao and Zhu, Yuhan and Zeng, Xiangyu and Dong, Yuhao and Wu, Haoning and Zhang, Zhiqiu and Yang, Yuandong and Ma, Changlian and Zhang, Qingyu and Shi, Yansong and others},
  journal={arXiv preprint arXiv:2607.14935},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

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

Класс архитектуры
VideoChat3VisionModel
Ревизия весов
8b029be

0 моделей