/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B-Instruct
Библиотека
transformers
Опубликована
22 апр 2025

VideoChat-R1_7B_caption

Компьютерное зрениеВидео, текст → текст3 профессии

Мультимодальная модель OpenGVLab для диалога и создания текстовых описаний видео.

64скачиваний за 30 дней6лайковвеса обновлены22 апр 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 «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

VideoChat-R1_7B_caption — мультимодальная модель OpenGVLab для диалога и генерации текстовых описаний видео. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и использует архитектуру Qwen2-VL с 7,1 млрд параметров. Модель рассчитана на сценарии, где по входному видео нужно получить текстовый ответ или описание; карточка указывает поддержку английского языка и контекст до 32 768 токенов.

Модель работает через Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. README не приводит подробностей о данных обучения, качестве на отдельных типах видео или систематических ограничениях; практическую точность следует оценивать на целевых видео и запросах.

Сценарии применения

  • создание текстового описания видеоролика
  • ответы на вопросы о содержании видео
  • диалоговый анализ видеосцен
  • краткое изложение событий в видео

Ограничения

В README не приведены результаты оценки качества, подробности обучающих данных или перечень известных сбоев; качество на конкретных типах видео следует проверять отдельно.

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-R1_7B_caption

[📂 GitHub]
[📜 Tech Report]

🚀 How to use the model

We provide a simple installation example below:

pip install transformers
pip install qwen_vl_utils

Then you could use our model:

from transformers import Qwen2_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model_path = "OpenGVLab/VideoChat-R1_7B_caption"
# default: Load the model on the available device(s)
model = Qwen2_VLForConditionalGeneration.from_pretrained(
    model_path, torch_dtype="auto", device_map="auto",
    attn_implementation="flash_attention_2"
)

# default processer
processor = AutoProcessor.from_pretrained(model_path)

video_path = "your_video.mp4"
question = "Describe the video in detail."

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": video_path,
                "max_pixels": 360 * 420,
                "fps": 1.0,
            },
            {"type": "text", "text": f""""{question} First output the thinking process in <think> </think> tags and then output the final answer in <answer> </answer> tags"""},
        ],
    }
]



#In Qwen 2 VL, frame rate information is also input into the model to align with absolute time.
# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs, video_kwargs = process_vision_info(messages, return_video_kwargs=True)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
    **video_kwargs,
)
inputs = inputs.to("cuda")

# Inference
generated_ids = model.generate(**inputs, max_new_tokens=512)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

✏️ Citation


@article{li2025videochatr1,
  title={VideoChat-R1: Enhancing Spatio-Temporal Perception via Reinforcement Fine-Tuning},
  author={Li, Xinhao and Yan, Ziang and Meng, Desen and Dong, Lu and Zeng, Xiangyu and He, Yinan and Wang, Yali and Qiao, Yu and Wang, Yi and Wang, Limin},
  journal={arXiv preprint arXiv:2504.06958},
  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
Qwen2VLForConditionalGeneration
Ревизия весов
0fa455a

0 моделей