/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
24 авг 2026

Video-ORA-9B

Изображение и текст → текст3 профессии

Video-ORA-9B — дообученная мультимодальная модель на базе Qwen3.5-9B для структурированного анализа изображений, видео и пространственных отношений.

353скачиваний за 30 дней19лайковвеса обновлены26 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-9B — мультимодальная модель OraRL на 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B методом OraRL (Annotations as Rollouts). Она предназначена для унифицированного анализа изображений и видео и выдаёт структурированные ответы для семи групп задач: временной привязки событий, визуального отслеживания объектов, сегментации изображений и видео, пространственной привязки, пространственно-временной привязки, ответов на вопросы по видео и пространственного анализа. Модель построена на архитектуре Qwen3_5ForConditionalGeneration, использует веса BF16 и принимает визуальные данные вместе с текстовыми запросами. Для запуска README приводит конфигурацию vLLM с длиной контекста до 262144 токенов; это значение относится к описанной конфигурации обслуживания.

Модель рассчитана на исследовательские эксперименты, оценивание на бенчмарках и адаптацию под конкретные задачи восприятия изображений и видео. По заявлению авторов, она охватывает все семь групп задач и отвечает без декодирования цепочки рассуждений. Веса распространяются под лицензией Apache-2.0, при этом лицензии обучающих и оценочных наборов остаются отдельными.

Это исследовательский чекпойнт: ответы могут иметь некорректный формат и содержать вымышленные визуальные детали; также возможны ограничения и смещения базовой модели и обучающих данных. Модель не валидирована для критически важных решений; авторы исключают из предполагаемого применения выводы об идентичности и использование для наблюдения.

Сценарии применения

  • поиск временных отрезков видео, соответствующих текстовому описанию
  • отслеживание объектов в видеопоследовательности
  • сегментация объектов на изображениях и видео
  • ответы на вопросы о событиях и содержании видео
  • пространственная привязка объектов и сцен
  • анализ пространственно-временных отношений в видео

Ограничения

Модель может выдавать некорректно оформленные ответы и галлюцинировать визуальные детали, а также наследовать ограничения и смещения базовой модели и обучающих данных. Она не проверена для критически важных решений; авторы исключают применение для распознавания личности и наблюдения.

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

Video-ORA-9B

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

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

Starting from Qwen3.5-9B, 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
Parameters9B
Weight dtypeBF16
Native context length262,144 tokens
Base modelQwen/Qwen3.5-9B
Post-trainingOraRL annotation-augmented on-policy reinforcement learning
Tested servingTransformers 5.5.4 and vLLM 0.19.1

Results

Dataset-level comparison

Video-ORA-9B leads 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-9B \
  --served-model-name Video-ORA-9B \
  --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 17.6 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-9B",
    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-9B \
  --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-9B 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-9B 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 Qwen3.5-9B, 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
fc14c21

0 моделей