/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
21,3 ГБ
Лицензия
Apache 2.0
Архитектура
mllama · dense
Базовая модель
moss-video-preview-base
Библиотека
transformers
Опубликована
11 мар 2026

moss-video-preview-sft

Генерация текстаТекст → текст3 профессии

Инструкционно настроенная мультимодальная модель для офлайн-ответов по видео и изображениям.

58скачиваний за 30 дней17лайковвеса обновлены4 авг 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 «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

MOSS-Video-Preview-SFT — созданный командой OpenMOSS-Team контрольный пункт с инструкционной настройкой модели MOSS-Video-Preview для понимания видео и изображений в офлайн-режиме. Он предназначен для ответов на вопросы и выполнения инструкций по визуальному содержимому, а также может служить основой для дальнейшей адаптации под предметную область или обучения потоковой версии. Архитектура объединяет визуальные и текстовые данные с помощью cross-attention и поддерживает совместную обработку изображений и видео. Модель построена на базе Llama-3.2-Vision; карточка не сообщает размер и длину контекста. Для запуска используется Transformers с пользовательским кодом модели; рекомендуются GPU и Flash Attention 2, доступна лицензия Apache-2.0.

Это офлайн-версия: она не поддерживает потоковый режим и динамические прерывания, заявленные для отдельной Real-Time SFT-версии. Авторы отмечают, что по качеству модель пока уступает ведущим системам, включая Qwen2.5-VL, и называют текущую версию архитектурной проверкой; разнообразие обучающих данных и обобщающая способность остаются направлениями дальнейшей работы.

Сценарии применения

  • ответы на вопросы по содержимому видео
  • описание сцен и событий в видеоролике
  • понимание инструкций, связанных с изображением
  • анализ последовательности видеокадров с учётом текста
  • дообучение модели для специализированного анализа видео

Ограничения

Модель предназначена для офлайн-обработки и не является потоковой версией; авторы отмечают отставание от ведущих моделей, включая Qwen2.5-VL, и продолжающуюся работу над разнообразием данных и обобщающей способностью.

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

MOSS-Video-Preview-SFT

Introduction

We introduce MOSS-Video-Preview-SFT, the offline supervised fine-tuned checkpoint in the MOSS-Video-Preview series.

[!Important] This is an offline SFT checkpoint (instruction-tuned). It is not the Real-Time SFT streaming checkpoint.

This checkpoint is intended for:

  • Offline video/image understanding with improved instruction following
  • Serving as a strong starting point for further Real-Time SFT or domain adaptation

Model Architecture

MOSS-Video-Preview is built on a Llama-3.2-Vision backbone, featuring a Pioneering Image-Video Unified Cross-Attention Architecture:

  • Native Unified Design: Unlike traditional projection methods, our architecture provides native, unified support for both image and video understanding, ensuring seamless temporal consistency.
  • Deep Multimodal Fusion: Leveraging specialized Cross-Attention mechanisms to achieve high-fidelity alignment between visual temporal features and linguistic context.
  • Unified Spatio-Temporal Encoding: Aligns video frame sequences and text tokens for robust, long-context multimodal reasoning.

For architecture diagrams and full system details, see the top-level repository: OpenMOSS/MOSS-Video-Preview.

🌟 Key Highlights

  • 🧩 Native Cross-Attention Base: A novel approach that decouples visual perception and linguistic generation for seamless real-time video understanding.
  • 🔄 Dynamic Interaction Support: While this SFT version is for offline use, the underlying architecture is designed for "Silence-Speak" switching and real-time interruption.
  • ⚡ High-Efficiency Inference: Optimized for Flash Attention 2 on both CUDA and NPU, ensuring low-latency processing even for long video streams.

🚀 Quickstart

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

# Use Hugging Face model id (or load from a local folder with the same name).
checkpoint = "OpenMOSS-Team/moss-video-preview-sft"
video_path = "data/example_video.mp4"
prompt = "Describe the video."

processor = AutoProcessor.from_pretrained(
    checkpoint,
    trust_remote_code=True,
    frame_extract_num_threads=1,
)
model = AutoModelForCausalLM.from_pretrained(
    checkpoint,
    trust_remote_code=True,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video"},
            {"type": "text", "text": prompt},
        ],
    }
]

input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(
    text=input_text,
    videos=[video_path],
    video_fps=1.0,
    video_minlen=8,
    video_maxlen=16,
    add_special_tokens=False,
    return_tensors="pt",
).to(model.device)

with torch.no_grad():
    output_ids = model.generate(**inputs, max_new_tokens=512, do_sample=False)

print(processor.decode(output_ids[0], skip_special_tokens=True))
import torch
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor

checkpoint = "OpenMOSS-Team/moss-video-preview-sft"
image_path = "data/example_image.jpg"
prompt = "Describe this image."

image = Image.open(image_path).convert("RGB")

processor = AutoProcessor.from_pretrained(checkpoint, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    checkpoint,
    trust_remote_code=True,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": prompt},
        ],
    }
]

input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(
    text=input_text,
    images=[image],
    add_special_tokens=False,
    return_tensors="pt",
).to(model.device)

with torch.no_grad():
    output_ids = model.generate(**inputs, max_new_tokens=256, do_sample=False)

print(processor.decode(output_ids[0], skip_special_tokens=True))

✅ Intended use

  • Offline instruction-following for video/image understanding (recommended default checkpoint for most users).
  • Finetuning starting point if you plan to train your own Real-Time SFT or domain-specific variant.

⚠️ Limitations & Future Outlook

  • Offline SFT Only: This specific checkpoint is optimized for offline instruction-following. For real-time streaming and dynamic interruption, please refer to our Real-Time SFT variant.
  • Performance Benchmarking: While leading in real-time architecture, a performance gap still exists compared to top-tier models like Qwen2.5-VL. Closing this gap is our primary focus for future iterations.
  • Distributed Training & Scaling: The current version is an architectural validation. Future releases will integrate the Megatron-LM framework for large-scale pre-training using 3D parallelism.
  • Data Diversity: Ongoing work is focused on expanding the scale and diversity of our training datasets to improve generalizability across more complex scenarios.

🧩 Requirements

  • Python: 3.10+
  • PyTorch: 1.13.1+ (GPU strongly recommended)
  • Tested setup: Python 3.12.4 + PyTorch 2.4.0 (CUDA 12.1) + DeepSpeed 0.16.1
  • CPU-only: PyTorch 2.4.0
  • Transformers: required with trust_remote_code=True for this model family (due to auto_map custom code)
  • Optional (recommended): FlashAttention 2 (attn_implementation="flash_attention_2")
  • Video decode: streaming demo imports OpenCV (cv2); offline demo relies on the processor's video loading backend

For full environment setup (including optional FlashAttention2 extras), see the top-level repository README.md.

[!IMPORTANT]

🌟 Our Mission & Community Invitation

We have filled the gap in cross-attention-based foundation models for video understanding.

We warmly welcome experts in Representation Learning and Model Efficiency to explore, experiment, and innovate on top of our architecture. Let's push the boundaries of video intelligence and advance the open-source community together!

Citation

@article{wang2026mossvideo,
  title         = {{MOSS-Video-Preview: Toward Real-Time Video Understanding via Cross-Attention}},
  author        = {Pengyu Wang, Chenkun Tan, Shaojun Zhou, Wei Huang, Qirui Zhou, Zhan Huang, Zhen Ye, Jijun Cheng, Xiaomeng Qian, Yanxin Chen, Xingyang He, Huazheng Zeng, Chenghao Wang, Pengfei Wang, Hongkai Wang, Shanqing Gao, Yixian Tian, Chenghao Liu, Xinghao Wang, Botian Jiang, Xipeng Qiu},
  year          = {2026},
  journal       = {arXiv preprint arXiv:2606.07639},
  eprint        = {2606.07639},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV},
  url           = {https://arxiv.org/abs/2606.07639}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VideoMllamaForConditionalGeneration
Ревизия весов
5bfd500

0 моделей