/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
67,6 ГБ
Лицензия
Apache 2.0
Архитектура
videojev · dense
Базовая модель
Qwen3.6-35B-A3B
Библиотека
transformers
Опубликована
10 окт 2026

VideoJev-35B-A3B

ЭмбеддингиТекст → embedding

Мультимодальная модель для поиска временных интервалов событий в видео и ответов на вопросы по видео с выбором варианта.

343скачиваний за 30 дней13лайковвеса обновлены17 окт 2026

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

VideoJev-35B-A3B — мультимодальная модель VideoJev на базе Qwen/Qwen3.6-35B-A3B, предназначенная для понимания видео. Она использует прямое оценивание кандидатов для временной локализации событий в ролике и ответов на вопросы с выбором из нескольких вариантов. Модель представлена в формате safetensors и рассчитана на запуск через Transformers.

Для временной локализации модель оценивает интервалы в секундах, а для видео-опросов выбирает вариант ответа и возвращает его индекс и оценки вероятностей. Модель опубликована под лицензией Apache-2.0. В README указана проверенная конфигурация запуска с Python 3.12, PyTorch 2.8, CUDA 12.8 и H200; это требовательная к вычислительным ресурсам модель.

Сценарии применения

  • поиск временного интервала события в видеоролике
  • ответы на вопросы о видео с выбором из вариантов
  • оценка и ранжирование кандидатов временной локализации
  • анализ содержимого видеороликов

Ограничения

README описывает два специализированных сценария: временную локализацию и видео-опросы с выбором ответа; качество на других задачах не заявлено. Проверенная конфигурация запуска использует ускоритель H200 и набор специализированных зависимостей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VideoJev-35B-A3B

A video System One model based on Qwen/Qwen3.6-35B-A3B, using direct candidate scoring for temporal grounding and multiple-choice video QA.

Paper · Homepage · Code · Usage guide

Benchmark Results

VideoJev-35B-A3B temporal grounding quality and latency

VideoJev-35B-A3B video QA quality and latency

Quick start

Tested with Python 3.12, PyTorch 2.8 / CUDA 12.8, and an H200. Install a matching PyTorch build first.

pip install transformers==5.14.1 accelerate safetensors numpy pillow av==18.1.0 \
  flash-linear-attention==0.4.2 fla-core==0.4.2
pip install flash-attn causal-conv1d --no-build-isolation

Run grounding and QA on Eating spaghetti (10 seconds), at 2 FPS.

import json
import torch
from huggingface_hub import hf_hub_download
from transformers import AutoModel, AutoProcessor

video = hf_hub_download(
    repo_id="ZhuYuhan/VideoJev-Demo", filename="eating_spaghetti.mp4",
    repo_type="dataset", revision="7e2b9685bca592c3b929268f6fcf82c4ad74b267",
)
repo = "ZhuYuhan/VideoJev-35B-A3B"
processor = AutoProcessor.from_pretrained(repo, trust_remote_code=True)
model = AutoModel.from_pretrained(
    repo, trust_remote_code=True, dtype=torch.bfloat16,
    device_map={"": "cuda:0"}, attn_implementation="flash_attention_2",
)
model.prepare_for_inference()

questions = [
    {"id": "grounding-1", "task": "grounding",
     "query": "The woman in green eats pasta."},
    {"id": "qa-1", "task": "choice",
     "query": "What is the woman in green eating?",
     "options": ["A. Pasta.", "B. Rice.", "C. Soup."]},
]
results = model.predict_video(
    processor, video, questions,
    fps=2.0, max_frames=2048, context=8192,
)
print(json.dumps(results, indent=2))

Output

Actual output from the video and code above:

[
  {
    "id": "grounding-1",
    "task": "grounding",
    "probabilities": [
      0.0029175332747399807,
      0.008276241831481457,
      0.012840493582189083,
      0.8461092710494995,
      0.9874667525291443,
      0.9924765229225159,
      0.9928001165390015,
      0.9841585159301758,
      0.15136416256427765,
      0.029093489050865173
    ],
    "interval": [
      3.0,
      8.0
    ]
  },
  {
    "id": "qa-1",
    "task": "choice",
    "probabilities": [
      0.9999183416366577,
      5.838637662236579e-05,
      2.327314177819062e-05
    ],
    "answer_index": 0,
    "answer": "A. Pasta."
  }
]

interval is in seconds; answer_index is zero-based. probabilities contains independent sigmoid scores for grounding and softmax scores over QA options.

Grounding defaults to threshold=0.25; pass threshold=0.4 to predict_video or predict_features to override it for one call.

See the usage guide for task-specific settings and output details.

Citation

@article{zhu2026videojev,
  title={VideoJev: System One Model for Video Understanding and Interaction},
  author={Zhu, Yuhan and Zeng, Xiangyu and Si, Qingyi and Yang, Chenxu and Li, Yifei and Qin, Luozheng and Zhou, Junhao and Yao, Dingyu and Zhang, Jun and Qin, Chuanyu and others},
  journal={arXiv preprint arXiv:2610.18615},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
VideoJevForVideoUnderstanding
Ревизия весов
70ac212

0 моделей