/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
21,3 ГБ
Лицензия
Apache 2.0
Архитектура
mllama · dense
Базовая модель
Llama-3.2-11B-Vision-Instruct
Опубликована
10 июл 2026

game-comment-vlm

Изображение и текст → текст

Мультимодальная модель для коротких англоязычных комментариев к скриншотам игрового процесса в Fortnite, Rocket League и VALORANT.

17скачиваний за 30 дней0лайковвеса обновлены10 июл 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

TK17250 разработал Game Comment VLM — мультимодальную модель семейства Llama 3.2 Vision с архитектурой mllama и 11 млрд параметров. Она дообучена на unsloth/Llama-3.2-11B-Vision-Instruct и принимает игровой скриншот с текстовой инструкцией, чтобы выдать короткий комментарий на английском языке в разговорном стиле стримера или киберспортивного комментатора.

Модель предназначена для комментариев к игровым моментам в Fortnite, Rocket League и VALORANT, например для автоматического озвучивания скриншотов, создания подписей к хайлайтам и игровых приложений с автокомментированием. Обучающие данные — более 1600 синтетических примеров со скриншотами и подписями; лицензия — Apache-2.0.

Терминология и стиль настроены на три указанные игры, поэтому качество на других играх может быть ниже. Комментарии могут быть общими или повторяющимися, а мелкие детали интерфейса, такие как число убийств и здоровье, могут распознаваться неверно; вывод рассчитан на развлекательное комментирование, а не на точную фиксацию состояния игры.

Сценарии применения

  • создание комментариев к игровым скриншотам Fortnite
  • автокомментирование моментов в Rocket League
  • генерация реплик комментатора для VALORANT
  • создание подписей к игровым хайлайтам
  • добавление автокомментирования в стриминговые приложения

Ограничения

Обучена на материалах Fortnite, Rocket League и VALORANT, поэтому для других игр качество и точность терминологии не гарантированы. Может выдавать общие или повторяющиеся комментарии и неверно определять мелкие детали HUD; ответы не следует использовать как точную сводку состояния игры.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Game Comment VLM

A vision-language model fine-tuned to act as a live game commentator — it looks at a gameplay screenshot and generates a short, natural, spoken-style comment reacting to the moment, similar to how a live streamer or esports caster would react in real time.

  • Developed by: TK17250
  • License: apache-2.0
  • Finetuned from model: unsloth/Llama-3.2-11B-Vision-Instruct
  • Model type: Vision-Language Model (mllama architecture, 11B parameters)
  • Language: English

This model was trained 2x faster with Unsloth and Hugging Face's TRL library.

Supported Games

The model is trained specifically on gameplay screenshots from three titles:

GameGenre
FortniteBattle Royale
Rocket LeagueVehicular Soccer
VALORANTTactical FPS

Commentary style and vocabulary (e.g. weapon names, map callouts, in-game terminology) are tailored to these three games. Performance on other games or genres outside this scope is not guaranteed, since the training data does not cover them.

Training Data

  • Fine-tuned on a synthetic dataset of ~1,600+ gameplay screenshots paired with commentator-style captions.
  • Captions were generated using Minimax-M3 as a teacher model, then quality-filtered using a 0–5 relevance/quality score before training.
  • Each training example consists of: a gameplay screenshot, a system persona prompt ("passionate live game commentator"), and a target caption written in a natural, spoken commentary style.

How to Use

from transformers import AutoProcessor, AutoModelForVision2Seq
from PIL import Image
import torch

processor = AutoProcessor.from_pretrained("TK17250/game-comment-vlm")
model = AutoModelForVision2Seq.from_pretrained(
    "TK17250/game-comment-vlm",
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

image = Image.open("your_gameplay_screenshot.jpg").convert("RGB")

system_prompt = (
    "You are a passionate live game commentator. You watch a screenshot from a "
    "video game and give a short, natural spoken-style comment on the gameplay "
    "moment, reacting to how good or bad the play looks."
)
user_prompt = "Comment on this gameplay moment."

messages = [
    {"role": "user", "content": [
        {"type": "image"},
        {"type": "text", "text": f"{system_prompt}\n\n{user_prompt}"}
    ]}
]

input_text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(image, input_text, add_special_tokens=False, return_tensors="pt").to(model.device)

output = model.generate(**inputs, max_new_tokens=128, temperature=0.7, min_p=0.1)
print(processor.decode(output[0], skip_special_tokens=True))

Note: This model's chat template does not support a separate system role alongside image inputs. Combine the persona/system instruction directly into the user message text, as shown above.

Using Unsloth (faster inference)

from unsloth import FastVisionModel
from transformers import TextStreamer

model, tokenizer = FastVisionModel.from_pretrained("TK17250/game-comment-vlm", load_in_4bit=False)
FastVisionModel.for_inference(model)

# ... build messages/inputs as above using `tokenizer` instead of `processor`
_ = model.generate(**inputs, streamer=TextStreamer(tokenizer, skip_prompt=True), max_new_tokens=128)

Intended Use

  • Generating live-style commentary/captions for gameplay clips or screenshots (Fortnite, Rocket League, VALORANT).
  • Powering auto-commentary features for streaming tools, highlight reels, or gameplay analysis apps.

Limitations

  • Trained only on the three games listed above; output quality and terminology accuracy drop significantly for other games.
  • As a fine-tune of an 11B vision-language model on a relatively small synthetic dataset (~1,600 examples), the model may occasionally produce generic or repetitive commentary, or misread fine-grained HUD/UI details (e.g. exact kill counts, health values).
  • Captions are stylistic/entertainment-oriented and should not be relied on for precise, factual game-state reporting.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MllamaForConditionalGeneration
Ревизия весов
d3be955

0 моделей