/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,8 ГБ
Лицензия
Apache 2.0
Архитектура
videochat_flash_qwen · dense
Библиотека
transformers
Опубликована
11 янв 2025

VideoChat-Flash-Qwen2-7B_res448

Генерация текстаТекст → текст3 профессии

Модель OpenGVLab анализирует видеокадры и отвечает на вопросы о содержании видео на естественном языке.

3 256скачиваний за 30 дней13лайковвеса обновлены16 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

VideoChat-Flash-Qwen2-7B_res448 — видеоязыковая модель OpenGVLab на базе Qwen2-7B и UMT-L. Она анализирует видео и отвечает на вопросы о его содержании в формате диалога. Модель использует 16 токенов на кадр; заявленная версия поддерживает последовательности примерно до 10 000 кадров. В README указано расширение контекста до 128 тыс. токенов с помощью YaRN, тогда как метаданные указывают native context в 32 768 токенов.

В карточке приведены результаты на MVBench, LongVideoBench и VideoMME. Обучающий корпус преимущественно англоязычный: английский рекомендуется для взаимодействия, а понимание китайского описано как базовое. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержании видеоролика
  • создание краткого описания длинного видео
  • поиск событий и действий в видеозаписи
  • анализ видео с большим числом кадров

Ограничения

Для лучшего качества рекомендуется общаться на английском; понимание китайского базовое. README сообщает о контексте до 128 тыс. токенов с YaRN, тогда как метаданные указывают native context в 32 768 токенов.

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

🦜VideoChat-Flash-Qwen2-7B_res448⚡

[📰 Blog] [📂 GitHub] [📜 Tech Report] [🗨️ Chat Demo]

VideoChat-Flash-7B is constructed upon UMT-L (300M) and Qwen2-7B, employing only 16 tokens per frame. By leveraging Yarn to extend the context window to 128k (Qwen2's native context window is 32k), our model supports input sequences of up to approximately 10,000 frames.

Note: Due to a predominantly English training corpus, the model only exhibits basic Chinese comprehension, to ensure optimal performance, using English for interaction is recommended.

📈 Performance

ModelMVBenchLongVideoBenchVideoMME(w/o sub)Max Input Frames
VideoChat-Flash-Qwen2_5-2B@44870.058.357.010000
VideoChat-Flash-Qwen2-7B@22473.264.264.010000
VideoChat-Flash-Qwen2_5-7B-1M@22473.466.563.550000
VideoChat-Flash-Qwen2_5-7B_InternVideo2-1B@22474.364.565.110000
VideoChat-Flash-Qwen2-7B@44874.064.765.310000

🚀 How to use the model

First, you need to install flash attention2 and some other modules. We provide a simple installation example below:

pip install transformers==4.40.1
pip install av
pip install imageio
pip install decord
pip install opencv-python
# optional 
pip install flash-attn --no-build-isolation

Then you could use our model:

from transformers import AutoModel, AutoTokenizer
import torch

# model setting
model_path = 'OpenGVLab/VideoChat-Flash-Qwen2-7B_res448'

tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).to(torch.bfloat16).cuda()
image_processor = model.get_vision_tower().image_processor

mm_llm_compress = False # use the global compress or not
if mm_llm_compress:
    model.config.mm_llm_compress = True
    model.config.llm_compress_type = "uniform0_attention"
    model.config.llm_compress_layer_list = [4, 18]
    model.config.llm_image_token_ratio_list = [1, 0.75, 0.25]
else:
    model.config.mm_llm_compress = False

# evaluation setting
max_num_frames = 512
generation_config = dict(
    do_sample=False,
    temperature=0.0,
    max_new_tokens=1024,
    top_p=0.1,
    num_beams=1
)

video_path = "your_video.mp4"

# single-turn conversation
question1 = "Describe this video in detail."
output1, chat_history = model.chat(video_path=video_path, tokenizer=tokenizer, user_prompt=question1, return_history=True, max_num_frames=max_num_frames, generation_config=generation_config)

print(output1)

# multi-turn conversation
question2 = "How many people appear in the video?"
output2, chat_history = model.chat(video_path=video_path, tokenizer=tokenizer, user_prompt=question2, chat_history=chat_history, return_history=True, max_num_frames=max_num_frames, generation_config=generation_config)

print(output2)

✏️ Citation


@article{li2024videochatflash,
  title={VideoChat-Flash: Hierarchical Compression for Long-Context Video Modeling},
  author={Li, Xinhao and Wang, Yi and Yu, Jiashuo and Zeng, Xiangyu and Zhu, Yuhan and Huang, Haian and Gao, Jianfei and Li, Kunchang and He, Yinan and Wang, Chenting and others},
  journal={arXiv preprint arXiv:2501.00574},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VideoChatFlashQwenForCausalLM
Ревизия весов
5810a3d

0 моделей