/ Модель

Характеристики

Размер весов
16,2 ГБ
Лицензия
MIT
Базовая модель
Mistral-7B-Instruct-v0.2
Библиотека
transformers
Опубликована
18 дек 2024

VideoChat-TPO

Компьютерное зрениеВидео, текст → текст3 профессии

VideoChat-TPO — дообученная мультимодальная модель OpenGVLab для ответов на текстовые вопросы о видео.

53скачиваний за 30 дней5лайковвеса обновлены2 янв 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-TPO — мультимодальная модель для диалога о видео, разработанная OpenGVLab и основанная на работе Task Preference Optimization: Improving Multimodal Large Language Models with Vision Task Alignment. Она дообучена на Mistral-7B-Instruct-v0.2 и предназначена для ответов на текстовые запросы о видеоматериалах.

Модель принимает видео вместе с текстовым запросом и формирует текстовый ответ. В метаданных указаны архитектура MultiModalLLM_PT, библиотека Transformers и формат весов safetensors. Лицензия — MIT. Карточка не сообщает подробностей о поддерживаемых языках или длительности и разрешении видео.

Сценарии применения

  • ответы на вопросы о содержании видеоролика
  • краткое описание событий в видео по запросу
  • диалоговый анализ видеоматериалов
  • поиск нужных событий в видео по текстовому вопросу

Ограничения

В карточке не приведены оценки качества и сведения о поддерживаемых языках, длительности или разрешении видео; практические ограничения по этим параметрам не описаны.

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

VideoChat2-TPO

This model is based on the paper Task Preference Optimization: Improving Multimodal Large Language Models with Vision Task Alignment.

🏃 Installation

pip install -r requirements.txt
python app.py

🔧 Usage

from transformers import AutoModel, AutoTokenizer
from tokenizer import MultimodalLlamaTokenizer

model_path = "OpenGVLab/VideoChat-TPO"
tokenizer =  AutoTokenizer.from_pretrained(model_path,
trust_remote_code=True,
use_fast=False,)
model = AutoModel.from_pretrained(model_path,  trust_remote_code=True, _tokenizer=self.tokenizer).eval()

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MultiModalLLM_PT
Ревизия весов
7d22760

0 моделей