/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,1 ГБ
Лицензия
Apache 2.0
Архитектура
trace_mistral · dense
Базовая модель
Mistral-7B-Instruct-v0.2
Опубликована
8 окт 2024

trace

Генерация текстаТекст → текст3 профессии

Производная модели Yongxin-Guo/trace-uni. TRACE-uni — дообученная видеоязыковая модель для поиска событий и временных интервалов в видео, его описания и ответов на вопросы о содержании.

35скачиваний за 30 дней1лайквеса обновлены2 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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 Yongxin-Guo/trace на Hugging Face совпадает с карточкой Yongxin-Guo/trace-uni, поэтому описание составлено по ней.

TRACE-uni — видеоязыковая модель Yongxin Guo и соавторов для понимания событий в видео. Она основана на дообученной Mistral-7B-Instruct-v0.2 и использует причинное моделирование событий, последовательно связывая временные метки, оценки значимости и текстовые описания. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов.

Модель предназначена для поиска событий и временных интервалов в видео, плотного описания видео и ответов на вопросы о его содержании. В README также приведены результаты на задачах общего понимания видео. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Для работы с видео требуется видеовход, однако доступная классификация Hugging Face указывает только задачу генерации текста.

Сценарии применения

  • поиск временного интервала, соответствующего текстовому запросу
  • создание подробных описаний событий в видео
  • выявление наиболее значимых фрагментов видео
  • ответы на вопросы о содержании видео

Ограничения

Метаданные классифицируют модель как генерацию текста, поэтому поддержка видеовхода зависит от соответствующего кода и подготовки кадров. Результаты в README приведены на конкретных тестовых наборах и не гарантируют качество на других типах видео.

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

📰 News

  • [2024.11.01] 🔥 We are excited to announce the release of trace-uni, which has been enhanced by incorporating additional general video understanding data from a subset of LLaVA-Video-178k. Our results indicate that trace-uni outperforms trace in both VTG tasks and general video understanding tasks.
  • [2024.10.19] 🔥 We release trace-retrieval by forcing the predicted timestamps to be align with the input frame timestamps. Results show trace-retrieval achieve better performance on dense video captioning tasks.
  • [2024.10.10] 🔥 Our code and paper are released!
  • [2024.10.10] 🔥 Our checkpoints are available now!

Overview

In this work

  • We model the videos by a series of events, and propose causal event modeling framework to capture videos' inherent structure.
  • We present a novel task-interleaved video LLM model, TRACE, tailored to implement the causal event modeling framework through the sequential encoding/decoding of timestamps, salient scores, and textual captions.

Model Zoo

CheckpointsDescriptionURL
InitializationWeights initialized from VideoLLaMA2trace-init
Stage-1Model checkpoints trained after stage-1trace-stage1
Stage-2Model checkpoints trained after stage-2trace
FT-CharadesFine-tuned on Charades-STA datasettrace-ft-charades
FT-Youcook2Fine-tuned on Youcook2 datasettrace-ft-youcook2
FT-QVHighlightsFine-tuned on QVHighlights datasettrace-ft-qvhighlights
TRACE-retrievalForcing the predicted timestamps to be align with input timestampstrace-retrieval
TRACE-uniIncorporating additional general video understanding data from a subset of LLaVA-Video-178k.trace-uni

Results

Youcook2 (Zero-Shot)CIDERMETEORSODA_cF1
TRACE8.12.82.222.4
TRACE-retrieal8.32.92.324.1
TRACE-uni8.62.92.322.4
Charades-STA (Zero-Shot)0.30.50.7mIOU
TRACE58.640.319.438.7
TRACE-retrieval57.937.417.337.4
TRACE-uni63.743.721.041.5
QVHighlights (Zero-Shot)mAPHit@1
TRACE26.842.7
TRACE-retrieval27.944.3
TRACE-uni27.543.9
ActivityNet-DVCCIDERMETEORSODA_cF1
TRACE25.96.06.439.3
TRACE-retrieval25.75.96.540.1
TRACE-uni29.26.96.440.4
ActivityNet-MR0.30.50.7mIOU
TRACE54.037.724.039.0
TRACE-retrieval54.439.824.940.2
TRACE-uni53.238.224.739.4
MVBenchAvgASAPAAFAUAOEOIOSMDALSTACMCMASCFPCOENERCI
TRACE48.161.256.572.546.561.048.069.540.022.031.086.537.537.051.045.040.539.031.043.544.5
TRACE-uni53.868.158.572.541.573.555.171.540.525.053.088.563.538.551.052.549.059.533.549.532.5
VideoMME (w/o subtitle)ShortMidiumLongAvg
TRACE49.542.539.343.8
TRACE-uni58.248.142.349.6

Bibliography

If you find this repository helpful for your project, please consider citing:

@misc{guo2024tracetemporalgroundingvideo,
      title={TRACE: Temporal Grounding Video LLM via Causal Event Modeling}, 
      author={Yongxin Guo and Jingyu Liu and Mingda Li and Xiaoying Tang and Qingbin Liu and Xi Chen},
      year={2024},
      eprint={2410.05643},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2410.05643}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура trace_mistral неизвестна transformers в образе рантайма.

Класс архитектуры
TraceMistralForCausalLM
Ревизия весов
96cb599

0 моделей