/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
31 июл 2026

RefCaptioner

Изображение и текст → текст3 профессии

RefCaptioner описывает видео на английском языке и связывает фрагменты описания с подходящими эталонными изображениями.

78скачиваний за 30 дней3лайкавеса 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

RefCaptioner — мультимодальная модель на 8 млрд параметров, созданная на основе Qwen/Qwen3-VL-8B-Instruct для описания видео с привязкой фраз к нескольким эталонным изображениям. На вход подаются видео и упорядоченный набор изображений-образцов; модель формирует один абзац на английском языке и ставит специальные теги рядом с фразами, визуально подтверждёнными соответствующими образцами. Она обучена отбрасывать отвлекающие или недостаточно подтверждённые образцы, а выпущенная версия представляет собой объединённый checkpoint, которому не нужен PEFT-адаптер при запуске.

Модель предназначена для исследований понимания видео с несколькими эталонами, генерации привязанных описаний и сопоставления локальных фраз с изображениями. В README приведены результаты на MRVBench, однако они зависят от настройки промпта, выборки кадров, ограничений на изображения и декодирования. Короткие события между выбранными кадрами могут быть пропущены; теги отражают визуальную привязку, а не подтверждение личности. Лицензия — Apache-2.0.

Сценарии применения

  • создание описаний видео с привязкой к нескольким изображениям-образцам
  • сопоставление визуальных объектов и событий в видео с локальными фразами
  • отбор релевантных эталонных изображений среди отвлекающих образцов
  • исследование визуального понимания видео и привязки описаний

Ограничения

Модель может пропустить короткие события между выбранными кадрами, а качество зависит от выборки кадров, предобработки и параметров генерации. Вывод формируется на английском языке; теги указывают на визуальную привязку, но не подтверждают личность.

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

RefCaptioner

RefCaptioner is an 8B vision-language model for multi-reference image-grounded video captioning. Given a video and an ordered set of reference images, it writes a fluent English description and places tags such as <Image_1> directly after the visual phrases grounded by those references. Reference images may include distractors; the model is expected to omit tags that cannot be grounded in the video.

The released weights are a merged Hugging Face checkpoint based on Qwen3-VL-8B-Instruct. No PEFT adapter is required at inference time.

Task overview

Multi-reference image-grounded video captioning

RefCaptioner grounds relevant reference images to local phrases in a video caption while rejecting distractor references.

Model details

ItemValue
Base modelQwen/Qwen3-VL-8B-Instruct
Release checkpointRefCaptioner1.0
InputOrdered reference images plus one video
OutputEnglish caption with local <Image_n> bindings
Thinking modeDisabled
Weight formatMerged safetensors

Method overview

RefCaptioner training framework Training Framework

Installation

The tested environment for loading RefCaptioner and running inference is provided in requirement.txt. Use Python 3.10 and install it with:

pip install -r requirement.txt

Quick start

python inference.py \
  --model TengfeiLiuCoder/RefCaptioner \
  --video /path/to/video.mp4 \
  --images /path/to/ref_1.jpg /path/to/ref_2.jpg /path/to/ref_3.png

The image order defines the tag mapping: the first image is <Image_1>, the second is <Image_2>, and so on. The script uses the exact prompt structure and deterministic decoding configuration used for the reported test-set inference.

Reproduction configuration

The released benchmark captions were generated with the following settings:

ParameterValue
Prompt protocolPrompt_1.0
Maximum input length18,000 tokens
Maximum new tokens512
Video sampling rate2 FPS
Minimum video frames4
Reference-image maximum pixels602,112
Video-frame maximum pixels602,112
DecodingGreedy (do_sample=False)
Temperature0.0
Top-p / top-k1.0 / 0
Inference dtypebfloat16
ThinkingDisabled

The same values are machine-readable in inference_config.json. The eight GPUs used for the full benchmark only provided sample-level parallelism; eight GPUs are not a model requirement. A single device can run the model when it has enough memory, while device_map="auto" can distribute the model across available devices.

Input and output contract

The prompt labels each ordered reference before presenting the associated image, then presents the video. The model must:

  1. describe visible video content in one English paragraph;
  2. place every used <Image_n> immediately after a concrete grounded phrase;
  3. group tags only when they ground the same visual unit; and
  4. omit distractor or uncertain references rather than forcing all tags into the caption.

Example output:

RefCaptioner example output

MRVBench Results

The following scores report RefCaptioner on MRVBench. Eff-Bind = Ref-Tag-R × Ref-Bind.

ModelKP-Cov ↑VQA ↑VQA-Cov ↑Ref-Tag-P ↑Ref-Tag-R ↑Ref-Bind ↑Eff-Bind ↑Dist-Rej ↑FalseRef-Any ↓Subj-R ↑Subj-F1 ↑MRVScore ↑
RefCaptioner0.8820.6860.8370.9940.9430.9670.9120.9850.1000.8170.8690.888

These values are tied to the prompt and preprocessing configuration above; changing frame sampling, pixel limits, prompt wording, or decoding can change the results.

Intended use

The model is intended for research on multi-reference video understanding, grounded caption generation, reference selection, and local phrase-to-image binding. It is not designed to identify people, infer sensitive attributes, or establish the provenance or ownership of visual content.

Limitations

  • Results depend on frame sampling and may miss short events between sampled frames.
  • The output is English and follows a task-specific caption style.
  • Reference tags express visual grounding, not identity verification.

Users should verify generated descriptions before applying them in consequential settings.

License

The model weights are released under the Apache 2.0 license, following the base model. The companion benchmark contains separate media and annotation considerations; consult its dataset card before use or redistribution.

Citation

@misc{liu2026refcaptionermultireferenceimagegroundedvideo,
      title={RefCaptioner: Multi-Reference Image-Grounded Video Captioning},
      author={Tengfei Liu and Yang Shi and Yuran Wang and Xiaohan Zhang and Yuqing Wen and Yuqi Tang and Qixun Wang and Zhuoran Zhang and Xuanyu Zhu and Weihong Lin and Xinlei Yu and Yujie Wei and Xinwei Long and Fengxiang Wang and Xinlong Chen and Yue Ding and Jialu Chen and Haotian Wang and Yuanxing Zhang},
      year={2026},
      eprint={2607.28509},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2607.28509}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
f85622f

0 моделей