/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
22,6 ГБ
Лицензия
MIT
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
13 мар 2025

Vamba-Qwen2-VL-7B

Компьютерное зрениеВидео, текст → текст3 профессии

Гибридная модель Qwen2-VL и Mamba-2 для ответов на вопросы и понимания длинных видео.

62скачиваний за 30 дней21лайквеса обновлены18 мар 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

Vamba-Qwen2-VL-7B — гибридная модель для понимания видео, представленная в репозитории TIGER-Lab. Она сочетает Mamba-2 блоки для обработки видеотокенов и трансформерные механизмы внимания: самовнимание применяется к текстовым токенам, а текстовые запросы обращаются к видеотокенам через cross-attention. Такой подход предназначен для снижения вычислительной сложности при анализе длинных видео, включая ролики длительностью до часа.

Модель содержит 7,1 млрд параметров, построена на архитектуре Qwen2-VL и поддерживает контекст длиной 32 768 токенов. Она принимает видео и текстовые запросы и формирует текстовые ответы, например описание событий или ответы на вопросы о содержимом ролика. В метаданных указаны библиотека Transformers и формат safetensors. Лицензия — MIT.

Сценарии применения

  • ответы на вопросы о содержимом видео
  • описание событий в длинном ролике
  • анализ последовательности действий в видео
  • поиск нужных событий по текстовому запросу

Ограничения

В README не приведены результаты оценки качества или подробные ограничения по поддерживаемым типам видео; заявленная обработка роликов длительностью до часа не сопровождается описанием условий оценки.

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

Vamba

This repo contains model checkpoints for Vamba-Qwen2-VL-7B. Vamba is a hybrid Mamba-Transformer model that leverages cross-attention layers and Mamba-2 blocks for efficient hour-long video understanding.

🌐 Homepage | 📖 arXiv | 💻 GitHub | 🤗 Model

Vamba Model Architecture

Quick Start

# git clone https://github.com/TIGER-AI-Lab/Vamba
# cd Vamba
# export PYTHONPATH=.
from tools.vamba_chat import Vamba
model = Vamba(model_path="TIGER-Lab/Vamba-Qwen2-VL-7B", device="cuda")
test_input = [
    {
        "type": "video",
        "content": "assets/magic.mp4",
        "metadata": {
            "video_num_frames": 128,
            "video_sample_type": "middle",
            "img_longest_edge": 640,
            "img_shortest_edge": 256,
        }
    },
    {
        "type": "text",
        "content": "<video> Describe the magic trick."
    }
]
print(model(test_input))

test_input = [
    {
        "type": "image",
        "content": "assets/old_man.png",
        "metadata": {}
    },
    {
        "type": "text",
        "content": "<image> Describe this image."
    }
]
print(model(test_input))

Citation

If you find our paper useful, please cite us with

@misc{ren2025vambaunderstandinghourlongvideos,
      title={Vamba: Understanding Hour-Long Videos with Hybrid Mamba-Transformers}, 
      author={Weiming Ren and Wentao Ma and Huan Yang and Cong Wei and Ge Zhang and Wenhu Chen},
      year={2025},
      eprint={2503.11579},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2503.11579}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
b452323

0 моделей