/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
10,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
25 авг 2026

Video-ORA-4B

Изображение и текст → текст4 профессии

Дообученная на Qwen3.5-4B мультимодальная модель для структурированного понимания видео и изображений, включая локализацию, трекинг, сегментацию и ответы на вопросы.

692скачиваний за 30 дней3лайкавеса обновлены25 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 «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

Video-ORA-4B — мультимодальная модель OraRL для унифицированного понимания видео и изображений. Она построена на Qwen3.5-4B и дообучена методом OraRL (Annotations as Rollouts); архитектура — Qwen3_5ForConditionalGeneration, тип — dense, размер — 4 млрд параметров. Веса представлены в формате safetensors и BF16, лицензия — Apache-2.0.

Модель предназначена для структурированного восприятия изображений и видео: временной привязки событий, визуального трекинга, сегментации изображений и видео, пространственной привязки, пространственно-временной локализации, ответов на вопросы по видео и пространственных рассуждений. Она принимает текстовые запросы и визуальные данные, включая видео, и выдаёт прямые ответы в форматах, заданных задачей, без декодирования цепочки рассуждений. Для запуска описаны варианты на vLLM и Transformers; README указывает параметр контекста 262144 токена для приведённой конфигурации vLLM.

Модель рассчитана на исследования структурированного понимания изображений и видео, оценку на бенчмарках и адаптацию под конкретные задачи. Возможны некорректные структурированные ответы и галлюцинации визуальных деталей; качество и ограничения также зависят от базовой модели и обучающих данных. Модель не проверена для критически важных решений и высокорисковых сценариев; разработчик отдельно исключает применение для выводов об идентичности и развёртывания видеонаблюдения. Лицензия модели — Apache-2.0, а права и условия использования обучающих медиаданных определяются исходными лицензиями.

Сценарии применения

  • определение временных интервалов событий в видео
  • отслеживание визуальных объектов
  • сегментация объектов на изображениях и видео
  • пространственная локализация объектов и областей
  • ответы на вопросы по содержанию видео
  • пространственно-временное понимание сцен

Ограничения

Модель может выдавать некорректные структурированные ответы и галлюцинировать визуальные детали; она не проверена для критически важных решений и высокорискового применения. Условия использования обучающих медиаданных регулируются их исходными лицензиями.

Для каких профессий подходит4

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

Video-ORA-4B

[🏠 Homepage] [📖 Arxiv Paper] [🤗 Evaluation Data] [💻 Code]

We release Video-ORA-4B, the 9B model trained with OraRL (Annotations as Rollouts) for unified video understanding.

Starting from Qwen3.5-4B, OraRL post-training equips one model to handle seven task families with direct, task-native answers and no chain-of-thought decoding.

Supported task families

  • Temporal grounding
  • Visual tracking
  • Image and video segmentation
  • Spatial grounding
  • Spatial-temporal grounding
  • Video question answering
  • Spatial intelligence

Model summary

PropertyValue
ArchitectureQwen3_5ForConditionalGeneration
Parameters4B
Weight dtypeBF16
Native context length262,144 tokens
Base modelQwen/Qwen3.5-4B
Post-trainingOraRL annotation-augmented on-policy reinforcement learning
Tested servingTransformers 5.5.4 and vLLM 0.19.1

Results

Dataset-level comparison

Video-ORA-4B delivers strong compact-model results in the matched seven-family comparison without chain-of-thought decoding. Best and second-best values are highlighted per row; † denotes an original-report value whose frame, prompt, split, or decoding settings may differ. Averages require complete family coverage.

See the OraRL repository, project page, and paper for complete benchmark protocols and source attribution.

Quick start

vLLM serving

pip install "vllm==0.19.1" openai

vllm serve OraRL/Video-ORA-4B \
  --served-model-name Video-ORA-4B \
  --port 8000 \
  --tensor-parallel-size 1 \
  --max-model-len 262144 \
  --reasoning-parser qwen3 \
  --media-io-kwargs '{"video": {"num_frames": -1}}' \
  --limit-mm-per-prompt '{"image": 1, "video": 1}'

Reduce --max-model-len if KV-cache memory is limited. Increase --tensor-parallel-size for multi-GPU serving. Model-weight loading occupies approximately 8.6 GiB in the tested BF16 vLLM environment; this is not a full peak-memory measurement.

Send an OpenAI-compatible video request:

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="Video-ORA-4B",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "video_url",
                    "video_url": {
                        "url": "https://orarl.github.io/assets/orarl-teaser.mp4"
                    },
                },
                {
                    "type": "text",
                    "text": "Describe the video and answer the question directly.",
                },
            ],
        }
    ],
    max_tokens=128,
    temperature=0.0,
    extra_body={
        "top_k": 20,
        "chat_template_kwargs": {"enable_thinking": False},
        "mm_processor_kwargs": {"fps": 2, "do_sample_frames": True},
    },
)
print(response.choices[0].message.content)

Replace the demo URL with your own accessible video URL. For local files, launch vLLM with an appropriate --allowed-local-media-path.

Transformers server

Qwen3.5 requires a recent Transformers version:

pip install "transformers[serving] @ git+https://github.com/huggingface/transformers.git@main"
pip install accelerate torchvision pillow

transformers serve \
  --force-model OraRL/Video-ORA-4B \
  --port 8000 \
  --continuous-batching

The checkpoint also contains the tokenizer, processor configuration, generation configuration, and chat template required by compatible Transformers and vLLM releases. Task-specific prompts and output schemas are documented on the project page.

Intended use

Video-ORA-4B is intended for research on structured image/video perception, benchmark evaluation, and task-specific adaptation. Use direct answer prompts with enable_thinking=False to match the reported evaluation protocol.

Out-of-scope uses include safety-critical decisions, identity inference, surveillance deployment, or use that violates the licenses or consent requirements of upstream media.

Training data

Training uses public training splits from the task families described in the paper. Evaluation identities, questions, and media anchors are excluded during mixture construction. Dataset and media licenses remain governed by their original sources; no training or benchmark media are distributed with this checkpoint.

Limitations

Video-ORA-4B is a research checkpoint optimized for structured video and spatial-understanding tasks. It may produce malformed task-specific outputs, hallucinate visual details, or inherit limitations and biases from its base model and training data. It has not been validated for safety-critical or high-stakes use.

License

The checkpoint is released under the Apache License 2.0. It is derived from Qwen3.5-4B, which is also distributed under Apache 2.0.

Citation

@article{li2026orarl,
  title   = {Annotations as Rollouts: Efficient and Scalable
             Reinforcement Learning for Video MLLMs},
  author  = {Li, Yunheng and Mu, Guohong and Li, Hao and
             Qian, Shengsheng and Zhang, Dingwen and Hou, Qibin
             and Cheng, Ming-Ming},
  journal = {arXiv preprint arXiv:2608.20492},
  year    = {2026},
  url     = {https://arxiv.org/abs/2608.20492}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
0185029

0 моделей