Характеристики

Архитектура: gemma4 · dense
Базовая модель: gemma-4-e2b-it
Библиотека: transformers
Опубликована: 16 июн 2026

Ссылки

gemma-4-e2b-kinetics54K-SQ_FFT

Изображение и текст → текст3 профессии

Полностью дообученная Gemma 4 E2B для диалоговых задач с визуальными данными на примерах видео, производных от Kinetics.

14скачиваний за 30 дней0лайковвеса обновлены23 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.

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.

Открыть конструктор бенчмарка

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

THChou1220/gemma-4-e2b-kinetics54K-SQ_FFT — полное дообучение Gemma 4 E2B от Google, выполненное на 54 618 инструктивных примерах с синтетическими видеоданными, полученными на основе Kinetics. Модель использует архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors; метаданные указывают поддержку диалога и зрения.

Модель предназначена для диалоговых задач с визуальным вводом, связанных с видео и действиями в роликах Kinetics. Обучение проведено за одну эпоху с максимальной длиной последовательности 3072 токена. Лицензия в предоставленных данных не указана.

Сценарии применения

ответы на вопросы о содержании видеороликов
интерпретация сцен и действий в видео
диалоговый анализ видео на основе инструкций

Ограничения

Обучающие данные описаны как синтетические видеоинструкции на основе Kinetics, поэтому перенос на другие типы видео может быть ограничен. Языковая поддержка и лицензия в предоставленных данных не определены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.10Универсальные способностиВидео, анимация и 3DAI помогает создавать, анализировать и преобразовывать динамический визуальный контент и 3D-сцены.18 задач3 279моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gemma4-e2b-kinetics54K_FFT

Full fine-tune of google/gemma-4-e2b-it on AI-generated video data derived from Kinetics.

Training

Dataset: bear7011/gemma-4-e4b-kinetics_54K
Samples: 54,618 video instruction examples (80% for training, 10% for validation, 10% for test)
Method: full fine-tuning, no LoRA
Precision: bfloat16
GPUs: 4
DeepSpeed: ZeRO-3 with CPU optimizer and parameter offload
Epochs: 1
Global steps: 1366
Per-device batch size: 1
Gradient accumulation steps: 8
Optimizer: AdamW
Learning rate: 5e-6
Projector learning rate: 5e-6
Image encoder learning rate: 5e-6
Weight decay: 0.01
Warmup ratio: 0.03
LR scheduler: cosine
Gradient checkpointing: enabled
Max sequence length: 3072
Final training loss: 0.9243

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: 84e3f11