/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,7 млрд
Размер весов
10 ГБ
Лицензия
BSD 3-Clause
Архитектура
etchat_phi3 · dense
Опубликована
20 янв 2025

ETChat-Phi3-Mini-Stage-2-3

Генерация текстаТекст → текст3 профессии

Мультимодальная модель для диалога по видео и предсказания временных отметок событий.

74скачиваний за 30 дней0лайковвеса обновлены20 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

E.T. Chat Phi-3 Mini Stage 2-3 — мультимодальная модель Ye Liu для диалога по видео и временной привязки событий. Архитектура включает визуальный энкодер, компрессор кадров и языковую модель; в этом чекпойнте используется плотная архитектура ETChatPhi3ForCausalLM на 3,7 млрд параметров с контекстом 4096 токенов. Модель принимает видео и текстовые запросы и формирует текстовые ответы; специальный токен запускает сопоставление эмбеддингов кадров для предсказания временных отметок.

Чекпойнт обучен на смеси данных этапов 2 и 3, включая ET-Instruct-164K, VideoChatGPT и LLaVA-1.5-Instruct. Смешанное обучение улучшает общие диалоговые способности, но может несколько ухудшать точность временной привязки по сравнению с вариантами, оптимизированными для grounding. Основной язык — английский. Лицензия — BSD-3-Clause.

Сценарии применения

  • ответы на вопросы о содержании видео
  • поиск момента появления объекта или события в видео
  • определение временных отметок событий по видеозаписи

Ограничения

Смешение обучающих данных этапов 2 и 3 улучшает общий диалог, но может немного снижать точность временной привязки. В метаданных каталог относит модель к генерации текста; для полноценного вывода по видео требуется мультимодальная обвязка модели.

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

E.T. Chat

arXiv | Project Page | GitHub

E.T. Chat is a novel time-sensitive Video-LLM that reformulates timestamp prediction as an embedding matching problem, serving as a strong baseline on E.T. Bench. E.T. Chat consists of a visual encoder, a frame compressor, and a LLM. A special token <vid> is introduced to trigger frame embedding matching for timestamp prediction.

[!NOTE] This checkpoint was trained from a mixture of stage-2 and stage-3 data, yielding much better general chatting capabilities but slightly sub-optimal grounding performance. It shall be considered as the default setting for this model.

🔖 Model Details

Model Description

  • Developed by: Ye Liu
  • Model type: Multi-modal Large Language Model
  • Language(s): English
  • License: BSD-3-Clause

Training Data

The stage-2+3 checkpoint of E.T. Chat was trained from ET-Instruct-164K, VideoChatGPT, and LLaVA-1.5-Instruct datasets.

More Details

Please refer to our GitHub Repository for more details about this model.

📖 Citation

Please kindly cite our paper if you find this project helpful.

@inproceedings{liu2024etbench,
  title={E.T. Bench: Towards Open-Ended Event-Level Video-Language Understanding},
  author={Liu, Ye and Ma, Zongyang and Qi, Zhongang and Wu, Yang and Chen, Chang Wen and Shan, Ying},
  booktitle={Neural Information Processing Systems (NeurIPS)},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ETChatPhi3ForCausalLM
Ревизия весов
9c0ecec

0 моделей