/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
17,7 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
xgenmm · dense
Опубликована
18 дек 2024

xgen-mm-vid-phi3-mini-r-v1.5-128tokens-8frames

Изображение и текст → текст3 профессии

Компактная модель Salesforce для ответов на текстовые запросы о содержимом видео по его кадрам.

167скачиваний за 30 дней11лайковвеса обновлены3 фев 2025

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

xGen-MM-Vid (BLIP-3-Video) — компактная модель «зрение—язык» компании Salesforce AI Research для понимания видео. В этой версии используется обучаемый временной энкодер, встроенный в архитектуру BLIP-3; модель обучена на видео, представленных восемью кадрами, и использует 128 визуальных токенов.

Модель принимает видео в виде кадров и текстовые запросы, а отвечает на вопросы о содержимом видео. Её можно применять для описания сцен и событий, ответов на вопросы по видео и анализа временной последовательности кадров. Карточка сообщает о поддержке переменного числа кадров, но обучение проводилось на восьми кадрах; источник публикации — Salesforce AI Research. Метаданные указывают английский язык и задачу image-text-to-text.

Модель выпущена для исследовательских целей по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Возможны ошибки и смещения, унаследованные от обучающих данных, языковых моделей и коммерческих API; качество, безопасность и справедливость следует оценивать для целевого применения.

Сценарии применения

  • ответы на вопросы о событиях в видео
  • краткое описание видеосцен
  • анализ последовательности кадров
  • поиск действий и объектов по текстовому запросу
  • экспериментальные исследования понимания видео

Ограничения

Обучение проводилось на восьмикадровых видео, хотя модель может принимать переменное число кадров; возможны ошибки и смещения, связанные с данными обучения. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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

Model description

xGen-MM-Vid (BLIP-3-Video) is an efficient compact vision-language model (VLM) with an explicit temporal encoder, specifically designed to understand videos. It is developed by Salesforce AI Research. Incorporation of a learanable temporal encoder modules within the original (image-based) BLIP-3 architecture is its key aspect.

Here, we are sharing the 128 token version trained to take 8-frame video inputs. In principle, it is able to take any number of frames, but it was trained with 8-frame videos.

The 32 token version of the same model could be found at: BLIP-3-Video 32 token model.

For more details, check out our tech report. More detailed explanation could also be found in the blog article.

Results

Tokens vs. accuracy

Examples

How to use

Please check out our inference script as an example to use our model. This codebase is based on the xGen-MM.

Bias, Risks, Limitations, and Ethical Considerations

The main data sources are from the internet, including webpages, video stock sites, and curated datasets released by the research community. The model may be subject to bias from the original data source, as well as bias from LLMs and commercial APIs. We strongly recommend users assess safety and fairness before applying to downstream applications.

License

Our code and weights are released under the CC by-NC 4.0 license.

Code acknowledgment

Our code/model is built on top of xGen-MM.

Ethical Considerations

This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our AUP and AI AUP.

Citation

@misc{blip3video-xgenmmvid,
  author          = {Michael S. Ryoo and Honglu Zhou and Shrikant Kendre and Can Qin and Le Xue and Manli Shu and Silvio Savarese and Ran Xu and Caiming Xiong and Juan Carlos Niebles},
  title           = {xGen-MM-Vid (BLIP-3-Video): You Only Need 32 Tokens to Represent a Video Even in VLMs}, 
  year            = {2024},
  eprint          = {2410.16267},
  archivePrefix   = {arXiv},
  primaryClass    = {cs.CV},
  url             = {https://arxiv.org/abs/2410.16267}, 
}

Troubleshoot

  1. If you missed any packages, please consider the following
pip install torch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 --index-url https://download.pytorch.org/whl/cu121
pip install open_clip_torch==2.24.0
pip install einops
pip install einops-exts
pip install transformers==4.41.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XGenMMModelForConditionalGeneration
Ревизия весов
274af7f

0 моделей