/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
gemma4 · dense
Библиотека
transformers
Опубликована
8 июл 2026

sulphur-caption

Компьютерное зрениеВидео, текст → текст4 профессии

Sulphur Caption — модель на базе Gemma 4 для создания подробных текстовых подписей к видео с учётом сцен, движения и деталей камеры.

51скачиваний за 30 дней10лайковвеса обновлены1 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

Sulphur Caption — модель для автоматического создания подробных подписей к видео. Её разработал автор SulphurAI; в основе лежит Gemma 4 31B, а для обработки звука используется Parakeet 0.6B TDT v3. Модель принимает видео и выдаёт текстовые описания сцен с временными деталями, сведениями о камере и водяных знаках. В README также описана обработка аудио через Parakeet bridge, которая может пропускать тихие, неразборчивые, перекрывающиеся и неречевые звуки.

Модель предназначена для пакетной подписи видео и подготовки исходных подписей для LoRA-датасетов. Доступны настройки длины, подробности и стиля описания, а для обработки папок предусмотрены пакетная обработка и сохранение текстового файла для каждого видео. В README указана поддержка 4–20 кадров при обучении; запуск требует около 70 ГБ видеопамяти для bf16 или 38 ГБ для варианта fp8. Автор оценивает качество как приемлемое, но не рекомендует полагаться на модель без проверки подписей. Для примеров vLLM требуется поставляемая исправленная версия рантайма. Лицензия — CC BY 4.0.

Сценарии применения

  • создание текстовой подписи к видео
  • пакетная генерация подписей для папки с видео
  • подготовка черновых подписей для LoRA-датасета
  • описание сцен и временных изменений в видео
  • добавление сведений о камере и водяных знаках в подпись

Ограничения

Модель часто ошибается на очень сложных видео, а качество подписей рекомендуется проверять вручную. Обработка звука может пропускать тихие, неразборчивые, перекрывающиеся и неречевые звуки; запуск требует значительного объёма видеопамяти и для примеров vLLM — исправленного рантайма из комплекта.

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

Sulphur Caption

This is a captioning model I made purely to make things easier and cheaper for myself. If you don't like how the model works or it doesn't work on your favorite runtime, I'm sorry, but I'm not going to put any further effort into this, as it works how I want it to. If someone wants to figure out gguf or anything like that, you're welcome to try, you can dm me on discord under the username kiwv. Also it's worth noting this model will not be used in sulphur 3's dataset creation.

You're going to need ~70gb vram to run this model. The fp8 variant will require ~38gb.

Note the fp8 variant is ~1.6x faster than the bf16 variant.

Also this model isn't SUPER great, it's just solid. I wouldn't rely on this model solely, if you're using it to produce captions for a lora, look at the captions, or pass in tags, or something.

I was planning to release this model at a better time, but it's been sitting here so long I just decided to release it. I would probably change some stuff if I redid this model now but whatever.

Installation

You need ffmpeg, ffprobe, and unzip available on PATH.

cd /wherever/you/downloaded/this/thing
unzip -q vllm.zip
python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip setuptools wheel
pip install -r requirements.txt

Or run the helper:

cd /wherever/you/downloaded/this/thing
./setup_vllm.sh
source .venv/bin/activate

Single Video Inference

Edit VIDEO_PATH in example_run.py:

VIDEO_PATH = "/path/to/video.mp4"

Then run:

cd /path/to/this/repo
source .venv/bin/activate
python example_run.py

The script prints the raw model output.

Folder Captioning

Edit these variables in caption_folder.py:

INPUT_FOLDER = "/path/to/videos"
OUTPUT_FOLDER = "/path/to/captions"

Then run:

cd /path/to/this/repo
source .venv/bin/activate
python caption_folder.py

The script mirrors the input folder structure into OUTPUT_FOLDER and writes one .txt file per video. It loads the model once and batches videos using BATCH_SIZE.

Prompt Settings

The model was trained with some settings, grouped under Prompt Settings. Here are the recommended values:

  • HAS_THINKING | True
  • CAPTION_LENGTH | "very large"
  • INCLUDE_WATERMARK_INFO | True
  • VULGARITY | "low"
  • UNCERTAINTY | "low"
  • CHARACTER_NAMES | "none"
  • FLUFF | "none"
  • HAS_REPETITION | False
  • SPECULATION | "low"
  • TEMPORAL_DETAIL | "medium"
  • VISUAL_SPECIFICITY | "moderate"
  • CAMERA_DETAIL | "medium"
  • CAPTION_STYLE | "plain"

Possible Options

  • HAS_THINKING | True, False
  • CAPTION_LENGTH | "very small", "small", "medium", "large", "very large"
  • INCLUDE_WATERMARK_INFO | True, False
  • VULGARITY | "none", "low", "medium", "high"
  • UNCERTAINTY | "none", "low", "medium", "high"
  • CHARACTER_NAMES | "none", "ambiguous", "single", "multiple"
  • FLUFF | "none", "low", "medium", "high"
  • HAS_REPETITION | True, False
  • SPECULATION | "none", "low", "medium", "high"
  • TEMPORAL_DETAIL | "static", "low", "medium", "high"
  • VISUAL_SPECIFICITY | "generic", "moderate", "detailed", "excessive"
  • CAMERA_DETAIL | "none", "low", "medium", "high"
  • CAPTION_STYLE | "plain", "verbose", "ornate", "robotic"

Generation settings are grouped under vLLM / Generation Hyperparameters:

  • NUM_FRAMES | (was trained between 4 and 20)
  • MAX_MODEL_LEN
  • MAX_NUM_SEQS
  • BATCH_SIZE in caption_folder.py
  • GPU_MEMORY_UTILIZATION
  • MAX_TOKENS
  • TEMPERATURE | (recommend a lower value)
  • TOP_P
  • REPETITION_PENALTY

Performance

This graph shows measured vLLM decode throughput on an RTX PRO 6000 using 12 video frames, max_tokens = 96, max_model_len = 4096, prefix cache disabled, and unique requests:

BF16

Decode Throughput BF16

FP8

Decode Throughput FP8

Limitations

  • This model still makes plenty of mistakes on very complex videos.
  • It requires the bundled patched vLLM runtime for the vLLM examples.
  • Audio captioning depends on the Parakeet bridge and may still miss unclear, quiet, overlapping, or non-speech sounds.

Credits

  • Gemma 4 31b for main model
  • Parakeet 0.6b TDT v3 for audio

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
49b402b

0 моделей