/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen2 · dense
Базовая модель
LLaVA-Video-7B-Qwen2
Библиотека
transformers
Опубликована
24 мар 2025

LLaVAction-7B

Генерация текстаТекст → текст

Мультимодальная модель EPFL для распознавания действий и ответов на вопросы по видео от первого лица.

100скачиваний за 30 дней1лайквеса обновлены26 мар 2025

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 «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

LLaVAction-7B — мультимодальная модель EPFL для распознавания и понимания действий человека в видео от первого лица. Она дообучена на базе lmms-lab/LLaVA-Video-7B-Qwen2, использует архитектуру SO400M + Qwen2 и содержит 7,1 млрд параметров. Модель принимает видео длительностью до 64 кадров и поддерживает контекст до 32 768 токенов.

Модель предназначена для анализа egocentric-видео, в частности роликов из кухни, и ответов на вопросы о действиях. Обучение проводилось на смеси LLaVA-Video-178K и EPIC-KITCHENS-100-MQA; в карточке заявлено улучшение понимания действий человека от первого лица. Вывод — текстовый, в том числе в диалоговом формате.

Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Карточка не приводит количественных оценок качества; максимальная длина в 64 кадра ограничивает анализ длинных видео.

Сценарии применения

  • распознавание действий человека на видео от первого лица
  • ответы на вопросы о происходящем в роликах из кухни
  • описание действий и последовательности событий в видеокадрах
  • анализ egocentric-видео для исследований поведения

Ограничения

Поддерживается не более 64 кадров на видео. Лицензия CC BY-NC-SA 4.0 не разрешает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LLaVAction-7B

Shaokai Ye1**  Haozhe Qi1** 

Alexander Mathis1†  Mackenzie Weygandt Mathis1†‡ 

1 EPFL

** First authors † Senior Authors ‡ Corresponding Author

[arXiv Paper]   [Project Page]   [Github Repo]  

Model Summary

The LLaVAction-7B model is trained on EPIC-KITCHENS-100-MQA, based on Qwen2 language model with a context window of 32K tokens. This model supports at most 64 frames.

Useage

Intended use

The model was trained on EPIC-KITCHENS-100-MQA [dataset release pending] and LLaVA-Video-178K. It has improved capability on understanding human egocentric actions from videos.

Generation

We provide the simple generation process for using our model. For more details, you could refer to our Github.

!pip install llavaction

from llavaction.model.builder import load_pretrained_model
from llavaction.mm_utils import get_model_name_from_path, process_images, tokenizer_image_token
from llavaction.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN, IGNORE_INDEX
from llavaction.conversation import conv_templates, SeparatorStyle
from PIL import Image
import requests
import copy
import torch
import sys
import warnings
from decord import VideoReader, cpu
import numpy as np
warnings.filterwarnings("ignore")

#Your video (it assumes an egocentric view point)
video_path = "XXXX"

#These are the prompts we trained with, but you can test others:
perspective_prompt = "You are seeing this video from egocentric view and you are the person. Your hands are sometimes interacting with objects. What action are you doing?"
task_prompt = "Describe in details what you see from the video frames."

def load_video(video_path, max_frames_num,fps=1,force_sample=False):
    if max_frames_num == 0:
        return np.zeros((1, 336, 336, 3))
    vr = VideoReader(video_path, ctx=cpu(0),num_threads=1)
    total_frame_num = len(vr)
    video_time = total_frame_num / vr.get_avg_fps()
    fps = round(vr.get_avg_fps()/fps)
    frame_idx = [i for i in range(0, len(vr), fps)]
    if len(frame_idx) > max_frames_num or force_sample:
        sample_fps = max_frames_num
        uniform_sampled_frames = np.linspace(0, total_frame_num - 1, sample_fps, dtype=int)
        frame_idx = uniform_sampled_frames.tolist()
        frame_time = [i/vr.get_avg_fps() for i in frame_idx]
    spare_frames = vr.get_batch(frame_idx).asnumpy()
    # import pdb;pdb.set_trace()
    return spare_frames,frame_time,video_time

pretrained = "MLAdaptiveIntelligence/LLaVAction-7B"
model_name = "llava_qwen"
device = "cuda"
device_map = "auto"
tokenizer, model, image_processor, max_length = load_pretrained_model(pretrained, None, model_name, torch_dtype="bfloat16", device_map=device_map)  # Add any other thing you want to pass in llava_model_args
model.eval()
max_frames_num = 64
video,frame_time,video_time = load_video(video_path, max_frames_num, 1, force_sample=True)
video = image_processor.preprocess(video, return_tensors="pt")["pixel_values"].cuda().to(torch.bfloat16)
video = [video]
conv_template = "qwen_1_5"  # Make sure you use correct chat template for different models
time_instruction = f"The video lasts for {video_time:.2f} seconds, and {len(video[0])} frames are uniformly sampled from it. "
question = DEFAULT_IMAGE_TOKEN + f"\n{time_instruction}\n{perspective_prompt} {task_prompt}"

conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], question)
conv.append_message(conv.roles[1], None)
prompt_question = conv.get_prompt()
input_ids = tokenizer_image_token(prompt_question, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)

cont = model.generate(
    input_ids,
    images=video,
    modalities= ["video"],
    do_sample=False,
    temperature=0,
    max_new_tokens=4096,
)
text_outputs = tokenizer.batch_decode(cont, skip_special_tokens=True)[0].strip()
print(text_outputs)

Training

See details in Ye et al. 2025: arxiv.org/abs/2503.18712

Model

  • Architecture: SO400M + Qwen2
  • Initialized Model: lmms-lab/LLaVA-Video-7B-Qwen2
  • Data: A mixture of LLaVA-178K and EPIC-KITCHENS-100-MQA, 2 epochs, full model
  • Precision: bfloat16

Hardware & Software

GPUs: 32 * Nvidia GH-200 (for whole model series training) Orchestration: HuggingFace Trainer Neural networks: PyTorch

Citation

arXiv: arxiv.org/abs/2503.18712

@article{YeQi2025llavaction,
  title={LLaVAction: evaluating and training multi-modal large language models for action recognition},
  author={Ye, Shaokai and Qi, Haozhe and Mathis, Alexander and Mathis, Mackenzie W.},
  journal={arXiv preprint},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
4b43e52

0 моделей