/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
17 фев 2026

TRASER

Компьютерное зрениеВидео, текст → текст

TRASER анализирует видео вместе с масками объектов и создаёт структурированный граф объектов, атрибутов и их отношений во времени.

179скачиваний за 30 дней4лайкавеса обновлены8 мар 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

TRASER — модель генерации видеографов сцен, представленная в работе Synthetic Visual Genome 2. Её разработали исследователи Allen Institute for AI, University of Washington и Woven by Toyota. Модель дообучена на Qwen2.5-VL-3B-Instruct и использует два модуля Perceiver Resampler: один агрегирует признаки объекта по его траектории между кадрами, другой сжимает признаки в отдельных временных окнах.

На вход TRASER нужны видео и JSON с RLE-масками сегментации объектов для каждого кадра. На выходе — структурированный пространственно-временной граф сцены с объектами, их атрибутами и отношениями, меняющимися со временем. Модель обучена на автоматически размеченном наборе SVG2, включающем около 636 тысяч видео.

Модель содержит 3,1 млрд параметров, принимает видео с видеомасками и рассчитана на английский язык. Контекст — до 128 тысяч токенов. Распространяется по лицензии Apache-2.0. Для работы требуется предварительно подготовить маски объектов; качество разметки и отслеживания объектов влияет на результат.

Сценарии применения

  • генерация графа сцены для видеоролика
  • анализ отношений между объектами в разных кадрах
  • отслеживание атрибутов объектов по сегментационным траекториям

Ограничения

Для работы необходимы подготовленные RLE-маски сегментации объектов по кадрам; ошибки масок или траекторий могут ухудшить результат. Обучение описано для автоматически аннотированного набора SVG2, поэтому качество на других типах видео может отличаться.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TRASER

TRASER is the video scene graph generation model introduced in Synthetic Visual Genome 2 (SVG2). Given a video and per-object segmentation trajectories, it generates a structured spatio-temporal scene graph describing objects, attributes, and their relations across time.

Paper: Synthetic Visual Genome 2: Extracting Large-scale Spatio-Temporal Scene Graphs from Videos

Website: Synthetic Visual Genome 2

Authors: Ziqi Gao, Jieyu Zhang, Wisdom Oluchi Ikezogwo, Jae Sung Park, Tario G. You, Daniel Ogbu, Chenhao Zheng, Weikai Huang, Yinuo Yang, Winson Han, Quan Kong, Rajat Saini, Ranjay Krishna. (Allen Institute for AI · University of Washington · Woven by Toyota)


Model Architecture

TRASER Architecture

TRASER extends Qwen2.5-VL-3B-Instruct with two trainable Perceiver Resampler modules that implement Trajectory-Aligned Token Arrangement:

ModuleAbbrev.Role
Object-Trajectory ResamplerOTRAggregates all cross-frame tokens for one object into a global summary
Temporal-Windows ResamplerTWRCompresses per-object tokens within each temporal window into a fixed set of latents

For each tracked object the LLM sees a structured token block:

<obj_traj_start>  Object N:  <|vision_start|>
  [OTR: N latents]
  <t1-t2>  [TWR: N latents]
  <t2-t3>  [TWR: N latents]
  ...
<|vision_end|>  <obj_traj_end>

How to Get Started

Installation

pip install transformers>=4.54.0 torch pycocotools

Prepare Inputs

Two inputs are required alongside the video:

  • Video — any format supported by qwen_vl_utils (e.g. .mp4)
  • Mask JSON — per-frame, per-object RLE segmentation masks in COCO pycocotools format:
[
  // frame 0
  [{"size": [H, W], "counts": "..."}, {"size": [H, W], "counts": "..."}, ...],
  // frame 1
  [...]
]

See example/2401075277_rle.json for a complete example.

Run Inference

python inference.py \
    --model_path /path/to/vsg_release_model \
    --video_path /path/to/video.mp4 \
    --mask_path /path/to/masks.json \
    --out_dir ./output

CLI Arguments

ArgumentDefaultDescription
--model_pathrequiredPath to this model directory
--video_pathrequiredInput video file
--mask_pathrequiredPer-object RLE mask JSON
--out_dir./outputDirectory to write output.txt
--max_objects40Maximum number of objects to process per video

Quickstart with the Bundled Example

python inference.py \
    --model_path . \
    --video_path example/2401075277.mp4 \
    --mask_path example/2401075277_rle.json \
    --out_dir ./output

Python API

import torch
from transformers import AutoProcessor, AutoTokenizer
from modeling_traser import TRASER

model_path = "/path/to/vsg_release_model"
device = "cuda"

model = TRASER.from_pretrained(model_path, torch_dtype=torch.bfloat16).to(device)
processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct")
processor.tokenizer = AutoTokenizer.from_pretrained(model_path)

Then follow the preprocessing steps in inference.py: load masks → build object mask tensors → select_tokens → rearrange_token → model.generate.


Repository Structure

├── modeling_traser.py           # TRASER model class
├── inference.py                 # End-to-end inference script
├── config.json                  # Model configuration
├── generation_config.json       # Default generation hyperparameters
├── model-00001-of-00002.safetensors
├── model-00002-of-00002.safetensors
├── model.safetensors.index.json
├── tokenizer_config.json
├── vocab.json
├── merges.txt
├── added_tokens.json
├── special_tokens_map.json
├── chat_template.jinja
├── resampler_utils/
│   ├── token_selection.py       # Mask-based visual token selection (coverage threshold)
│   └── token_arrangement.py     # Token sequence rearrangement with OTR/TWR injection
├── qwen_vl_vsg_utils/           # Adapted Qwen-VL video processing utilities
├── static/
│   └── image.png                # Architecture diagram
└── example/
    ├── 2401075277.mp4           # Example video
    └── 2401075277_rle.json      # Example RLE segmentation masks

Training Data

TRASER is trained on SVG2, a large-scale automatically annotated video scene graph dataset:

  • ~636K videos with dense panoptic, per-frame annotations
  • ~6.6M objects · ~52M attributes · ~6.7M relations

Citation

@misc{gao2026syntheticvisualgenome2,
      title={Synthetic Visual Genome 2: Extracting Large-scale Spatio-Temporal Scene Graphs from Videos}, 
      author={Ziqi Gao and Jieyu Zhang and Wisdom Oluchi Ikezogwo and Jae Sung Park and Tario G. You and Daniel Ogbu and Chenhao Zheng and Weikai Huang and Yinuo Yang and Winson Han and Quan Kong and Rajat Saini and Ranjay Krishna},
      year={2026},
      eprint={2602.23543},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2602.23543}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration_Insert
Ревизия весов
d015f1f

0 моделей