/ Модель

Характеристики

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

TimeLens2-4B-SFT

Компьютерное зрениеВидео, текст → текст3 профессии

SFT-модель на базе Qwen3-VL-4B-Instruct, которая находит в видео временные интервалы с визуальными свидетельствами по текстовому запросу.

54скачиваний за 30 дней3лайкавеса 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

TimeLens2-4B-SFT — исследовательский SFT-чекпойнт мультимодальной модели для временной привязки визуальных свидетельств в видео. Разработчики дообучили Qwen3-VL-4B-Instruct на примерах с видео и текстовыми запросами; архитектура — плотная Qwen3-VL для условной генерации. Модель принимает видео и текстовый запрос и возвращает временные интервалы, в которых присутствуют запрошенные визуальные сведения.

Чекпойнт предназначен прежде всего для генерации off-policy rollout-ов для этапа GRPO и воспроизведения или расширения обучающего конвейера TimeLens2. При SFT использовался полный контекст видео, последовательности до 100K токенов и замороженный визуальный энкодер. Это промежуточный SFT-чекпойнт, а не финальная GRPO-оптимизированная версия из статьи. Лицензия — Apache-2.0.

Сценарии применения

  • генерация обучающих rollout-ов для временной привязки событий в видео
  • воспроизведение и расширение SFT-to-GRPO конвейера обучения TimeLens2
  • исследование поиска временных интервалов в длинных видео по текстовому запросу

Ограничения

Это промежуточный SFT-чекпойнт, а не финальная GRPO-оптимизированная версия TimeLens2; он предназначен главным образом для генерации rollout-ов и исследований обучения. Язык вывода и качество на иных сценариях в источниках не охарактеризованы.

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

TimeLens2-4B-SFT

This repository contains the supervised fine-tuning (SFT) checkpoint for TimeLens2-4B, 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-4B-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 TimeLens2-4B.

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 4B SFT recipe trains for one epoch with packed sequences up to 100K tokens, a global batch size of 256, and a learning rate of 5e-6. 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/TimeLens2-4B-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
f3349f6

0 моделей