/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Опубликована
28 июл 2026

JoyAI-VL-Interaction

Компьютерное зрениеВидео, текст → текст3 профессии

Производная модели jdopensource/JoyAI-VL-Interaction. Открытая модель на базе Qwen3-VL для интерактивного наблюдения за видео, самостоятельного выбора момента ответа и офлайн-анализа видеозаписей.

16скачиваний за 30 дней0лайковвеса обновлены28 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

Карточка модели Yanlis/JoyAI-VL-Interaction на Hugging Face совпадает с карточкой jdopensource/JoyAI-VL-Interaction, поэтому описание составлено по ней.

JoyAI-VL-Interaction — открытая модель jdopensource для интерактивного понимания видео в реальном времени и анализа видеозаписей. Она построена на архитектуре Qwen3-VL и относится к классу моделей примерно с 8 млрд параметров. Модель принимает видеопоток и каждую секунду решает, стоит ли ответить, продолжить наблюдение молча или передать сложную подзадачу фоновой модели или агенту. Выбор момента для ответа обучен внутри модели; распознавание и синтез речи предусмотрены как подключаемые компоненты ввода-вывода.

Модель предназначена для сценариев, где важны события, происходящие без запроса пользователя: например, наблюдение за трансляцией или видеопотоком и реакция на значимые изменения. Для офлайн-анализа README приводит результаты оценки на 26 тестах понимания видео и сравнение с Qwen3-VL-8B-Instruct. В репозитории указаны веса safetensors; лицензия — Apache-2.0. README не сообщает точные требования к входному формату или длине контекста, поэтому их здесь нельзя уточнить.

Сценарии применения

  • наблюдение за видеопотоком с реакцией на важные события
  • выявление значимых событий в прямой трансляции
  • интерактивные ответы на вопросы о видеозаписи
  • передача сложных задач видеоанализа фоновой модели или агенту

Ограничения

Для распознавания и синтеза речи нужны подключаемые компоненты; модель рассчитана на видеоввод, а не на самостоятельную обработку речи. README не приводит сведений о длине контекста или требованиях к развёртыванию.

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

JoyAI-VL-Interaction

The first open, vision-driven real-time interaction model — it watches a live video stream and decides on its own when to speak, stay silent, or delegate. While enabling online, real-time interaction, this release also delivers powerful offline video understanding, making it the most comprehensive open-source model for video-related capabilities in the 8B parameter class.

📄 Paper · 🌐 Project Page & Demos · 💻 GitHub · 🤗 Paper Page


Overview

Most large models today are turn-based: they answer only when you ask. But many moments in the real world don't wait for a question — a fire starts on a security feed, someone falls, a product flashes by in a livestream. Once missed, the moment is gone.

JoyAI-VL-Interaction is built for exactly these moments. It is an 8B-scale, vision-first interaction model that continuously watches a live video stream and, every second, decides on its own to take one of three actions:

  • Speak — respond when something is worth saying
  • Stay silent — keep watching when nothing warrants a response (a first-class, trained action)
  • Delegate — hand a hard subtask to a background model/agent, keep watching, and weave the result back in when it returns

The decision of when to act is learned inside the model (from second-by-second time-aligned data + RL), not bolted on by an external turn-detector or polling loop. Vision is the first-class driver; speech (ASR/TTS) is treated as pluggable I/O.

To our knowledge, this is the first open, vision-driven interaction model released together with its training recipe, data, and a complete deployable system.

Model Performance

Offline Video Evaluation

Across 26 standard video understanding benchmarks, JoyAI-VL-Interaction achieves an average score of 57.53, outperforming Qwen3-VL-8B-Instruct at 54.16 by 3.37 points.

Demo

https://github.com/user-attachments/assets/2853fc95-ad21-4972-8206-5f3d19798b14

Citation

If you find our work helpful, feel free to give us a cite.

@misc{yao2026joyaivlinteractionrealtimevisionlanguageinteraction,
      title={JoyAI-VL-Interaction: Real-Time Vision-Language Interaction Intelligence}, 
      author={Dingyu Yao and Junhao Zhou and Chenxu Yang and Chuanyu Qin and Haowen Hou and Zheming Liang and Congcong Wang and Yuhang Cao and Shenglong Ye and Shuai Xie and Shuhuan Gu and Haoyang Huang and Qingyi Si and Nan Duan and Jiaqi Wang},
      year={2026},
      eprint={2606.14777},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2606.14777}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
a229372

0 моделей