/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
28 сен 2026

OneStreamer-4B

Компьютерное зрениеВидео, текст → текст3 профессии

Потоковая видео-языковая модель на базе Qwen3-VL-4B-Instruct для анализа видеопотока, ответов на вопросы и проактивного взаимодействия.

270скачиваний за 30 дней10лайковвеса обновлены2 окт 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

OneStreamer-4B — потоковая видео-языковая модель, представленная в работе OneStreamer и дообученная на основе Qwen3-VL-4B-Instruct. Она анализирует поступающее видео по мере его появления, сохраняет временно привязанные свидетельства в памяти и выбирает подходящий момент для ответа. Модель предназначена для диалога с видеопотоком, ответов на вопросы о текущем и ранее увиденном, а также для проактивных ответов, когда данных достаточно.

Модель использует мультимодальную архитектуру Qwen3-VL и принимает видеоданные и текстовые запросы, выдавая текст. В README приведены результаты на восьми бенчмарках; на агрегированных показателях трёх перечисленных наборов OneStreamer-4B превосходит базовую Qwen3-VL-4B-Instruct. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В оценках для части задач OmniMMI использовалось распознавание речи, однако README не устанавливает поддержку аудио как входной модальности самой модели.

Сценарии применения

  • ответы на вопросы о текущем видеопотоке
  • поиск событий и деталей в ранее просмотренных фрагментах видео
  • диалог с видео в реальном времени
  • проактивные ответы при появлении достаточных визуальных свидетельств

Ограничения

Оценочные результаты зависят от протокола каждого бенчмарка; для части показателей OmniMMI в README использовалось распознавание речи. README не описывает поддержку аудио на входе модели.

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

OneStreamer-4B

Perceive the present. Remember the past. Respond at the right time.

OneStreamer-4B performance on eight streaming-video benchmarks

Paper · GitHub · Project page · OneStreamer-1M

OneStreamer-4B is a streaming video-language model initialized from Qwen3-VL-4B-Instruct. It interprets incoming video, records time-grounded evidence, and decides when to respond. The model is introduced in OneStreamer: Unifying Perception, Memory, and Proactive Response in Streaming Video Interaction.

Performance

OneStreamer-4B achieves the best aggregate results among the methods compared in the paper on all eight benchmarks. Each benchmark uses its own metric; all values below are higher-is-better.

BenchmarkMetricQwen3-VL-4B baseOneStreamer-4B
OVOBenchOverall58.872.1
StreamingBenchReal-Time81.886.9
OVBenchAverage55.466.8
ODVBenchOverall57.671.3
ProactiveVideoQAAverage34.348.7
OmniMMIAverage29.436.6
OVO-TimingAverage F129.441.6
ViSpeakAverage, 0–5 scale2.412.87

The figure and numbers follow the GitHub README. OneStreamer's OmniMMI result uses ASR for AP, SI, MD, and SG; PA is visual-only. See the evaluation settings for full protocols.

Inference

OneStreamer processes video incrementally through a recent visual window, while PHCM retains time-aligned caption memory for later questions. For proactive interaction, the model generates </Silence> to keep observing, </Standby> when more evidence is needed, or </Response> followed by an answer once the observed evidence is sufficient.

See Inference/ on GitHub for the implementation and usage.

Citation

@misc{zeng2026onestreamerunifyingperceptionmemory,
  title={OneStreamer: Unifying Perception, Memory, and Proactive Response in Streaming Video Interaction},
  author={Xiangyu Zeng and Yuandong Yang and Zhiqiu Zhang and Yuhan Zhu and Xinhao Li and Qingyi Si and Dingyu Yao and Changlian Ma and Haoran Chen and Xinyu Chen and Yansong Shi and Junhao Zhou and Yifei Li and Jun Zhang and Chuanyu Qin and Chenxu Yang and Xinlei Yu and Kun Ouyang and Yuchen Shao and Qianshan Wei and Changhai Zhou and Jun Gao and Jiaqi Wang and Limin Wang},
  year={2026},
  eprint={2610.01762},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2610.01762}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
fba29e6

0 моделей