/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
27 июл 2026

TimeLens2-2B-SFT

Компьютерное зрениеВидео, текст → текст3 профессии

TimeLens2-2B-SFT — мультимодальная модель для поиска временных интервалов в видео по текстовому запросу, предназначенная также для исследований и обучения конвейера TimeLens2.

46скачиваний за 30 дней2лайкавеса 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

TimeLens2-2B-SFT — контрольная точка модели для временной локализации событий в видео, разработанная MCG-NJU на основе Qwen3-VL-2B-Instruct. По видео и текстовому запросу модель возвращает все временные интервалы, содержащие нужные визуальные свидетельства.

Модель представляет собой плотную мультимодальную архитектуру Qwen3-VL с 2 млрд параметров. Она дообучена методом SFT на примерах TimeLens2-93K, TimeLens-100K и обучающем разделении Ego4D-NLQ-v2; при обучении сохранялся полный контекст видео, а визуальный энкодер был заморожен. Контекст обучения включал последовательности длиной до 160 тыс. токенов.

Эта версия предназначена прежде всего для генерации обучающих примеров и воспроизведения или расширения конвейера SFT-to-GRPO, а также для изучения временной локализации в видео до этапа обучения с подкреплением. Это промежуточная SFT-контрольная точка, а не финальная версия TimeLens2, оптимизированная методом GRPO. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск в видео фрагментов, соответствующих текстовому запросу
  • локализация всех временных интервалов с нужным визуальным событием
  • генерация примеров для обучения модели временной локализации
  • воспроизведение и расширение конвейера SFT-to-GRPO для видео

Ограничения

Это промежуточная SFT-контрольная точка, а не финальная GRPO-оптимизированная версия TimeLens2. В карточке описаны обучающие и исследовательские сценарии, включая генерацию роллаутов; результаты для иных сценариев не заявлены.

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

TimeLens2-2B-SFT

This repository contains the supervised fine-tuning (SFT) checkpoint for TimeLens2-2B, a video multimodal language model for temporal grounding. Given a video and a text query, the model is trained to return all time intervals that contain the requested visual evidence.

It is initialized from Qwen3-VL-2B-Instruct and fine-tuned with long-context temporal-grounding supervision. This checkpoint is the starting point for TimeLens2 rollout generation and GRPO training.

For the released TimeLens2 model, see TimeLens2-2B.

Training data and recipe

SFT uses examples from TimeLens2-93K, TimeLens-100K, and the official Ego4D-NLQ-v2 training split. Training retains full-video context and supervises variable-cardinality temporal interval sets. The model sees diverse grounding instructions and timestamp response formats.

The 2B SFT recipe trains for one epoch with packed sequences up to 160K tokens, a global batch size of 128, and a learning rate of 1e-5. The visual encoder is frozen during training.

Intended use

  • Generate off-policy rollouts for the TimeLens2 GRPO stage.
  • Reproduce or extend the SFT-to-GRPO training pipeline.
  • Study long-context video temporal grounding before reinforcement learning.

This is an SFT checkpoint. It is not the final GRPO-optimized release reported in the TimeLens2 paper.

Loading the checkpoint

This checkpoint is hosted in a Hugging Face dataset repository. Download it locally, then load the directory with Transformers:

from huggingface_hub import snapshot_download
from transformers import AutoModelForImageTextToText, AutoProcessor

model_dir = snapshot_download(
    repo_id="MCG-NJU/TimeLens2-2B-SFT",
    repo_type="dataset",
)
model = AutoModelForImageTextToText.from_pretrained(
    model_dir,
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_dir)

See the official repository for the SFT and GRPO training recipes, data annotations, rollout configuration, and evaluation code.

Citation

@article{zhu2026timelens2,
  title={TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs},
  author={Zhu, Yuhan and Ma, Changlian and Zeng, Xiangyu and Li, Xinhao and Zhang, Zhiqiu and Li, Songze and Zhang, Jun and Jiang, Tianxiang and Yang, Yuandong and Yan, Ziang and others},
  journal={arXiv preprint arXiv:2607.17423},
  year={2026}
}

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
a559dcb

0 моделей