Video-MTR
Video-MTR: Reinforced Multi-Turn Reasoning for Long Video Understanding.
This checkpoint extends Qwen2.5-VL-7B-Instruct with a multi-turn frame-retrieval policy trained via PPO, with an 80-frame video input budget.
Характеристики
- Контекст
- 128 000 токенов
- Параметры
- 7,1 млрд
- Размер весов
- 16,6 ГБ
- Лицензия
- Apache 2.0
- Архитектура
- qwen2_5_vl · dense
- Базовая модель
- Qwen2.5-VL-7B-Instruct
- Опубликована
- 26 авг 2025
Ссылки
Video-MTR
Video-MTR — дообученная мультимодальная модель для многошаговых ответов на вопросы о длинных видео с поиском кадров.
39скачиваний за 30 дней7лайковвеса обновлены9 июн 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.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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-MTR — дообученная Phoebe13 модель на базе Qwen2.5-VL-7B-Instruct, разработанная для многошагового анализа длинных видео. Она использует политику извлечения кадров, обученную методом PPO, и рассчитана на обработку до 80 кадров из одного видео; архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров и контекстом 128 000 токенов.
Модель предназначена для ответов на вопросы о содержании видео и рассуждений, требующих последовательного поиска нужных кадров. Метаданные указывают поддержку английского языка и визуально-текстовый режим работы. Модель распространяется под лицензией Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о данных обучения.
Сценарии применения
- ответы на вопросы о событиях в длинном видео
- поиск кадров, относящихся к вопросу пользователя
- многошаговый анализ последовательности видеокадров
Ограничения
Входное видео ограничено бюджетом до 80 кадров. Карточка не сообщает о результатах оценки качества модели.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейIV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модельI.10Универсальные способностиВидео, анимация и 3DAI помогает создавать, анализировать и преобразовывать динамический визуальный контент и 3D-сцены.18 задач3 279моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- Qwen2_5_VLForConditionalGeneration
- Ревизия весов
- 6c72c32