/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
24 сен 2026

TEMPURA-Qwen2.5-VL-7B

Компьютерное зрениеВидео, текст → текст4 профессии

TEMPURA-Qwen2.5-VL-7B — мультимодальная модель для детального описания событий в видео, временной локализации и поиска ключевых моментов по запросу.

71скачиваний за 30 дней0лайковвеса обновлены26 сен 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

TEMPURA-Qwen2.5-VL-7B — дообученная мультимодальная модель Andaba на основе Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL и 7,1 млрд параметров. Она предназначена для анализа видео и рассуждений о временной структуре событий.

Модель описывает неразмеченные фрагменты видео как последовательность событий с временными метками и подробными описаниями, предсказывает содержание скрытого сегмента и находит моменты, соответствующие текстовому запросу, включая выделение ключевых моментов. Для входа видео представляют последовательностью кадров, отобранных с частотой 1 кадр в секунду, с временными метками.

Модель принимает видео и текстовые запросы, а выдаёт текстовые описания, рассуждения и временные привязки. Репозиторий распространяется в формате Safetensors; лицензия — Apache-2.0. Описанный формат подачи кадров и частота 1 кадр в секунду задают требования к входному представлению видео.

Сценарии применения

  • создание подробных описаний событий в длинном видео с временными метками
  • поиск в видео моментов, соответствующих текстовому запросу
  • выделение ключевых моментов видео
  • предсказание содержания скрытого фрагмента видео
  • анализ причинной и временной структуры событий

Ограничения

Для входа требуется представление видео последовательностью кадров с частотой 1 кадр в секунду и временными метками. В README описаны сценарии бенчмарков Charades-STA и QVHighlights; другие ограничения не приведены.

Для каких профессий подходит4

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

TEMPURA-Qwen2.5-VL-7B

TEMPURA checkpoint built on Qwen/Qwen2.5-VL-7B-Instruct.

TEMPURA (Temporal Event Masked Prediction and Understanding for Reasoning in Action, COLM 2026) teaches video-language models to reason about causal event structure and to describe untrimmed videos with fine-grained, timestamp-aligned events. This model performs

Input format

The video is given as a sequence of frames sampled at 1 fps, each with its timestamp (seconds, two decimals) drawn on the top-left corner. The helper functions in the GitHub repository take care of this.

Usage

git clone https://github.com/Andy-Cheng/TEMPURA.git && cd TEMPURA
bash scripts/install/install.sh && source .venv/bin/activate
python -m src.inference.dense_video_captioning_demo --model_path andaba/TEMPURA-Qwen2.5-VL-7B --video test_videos_demo/hotdog.mp4 --fps 1
from src.inference.model_utils import load_model, build_messages, generate
from src.inference.video_utils import load_video_for_model
from src.inference import prompts

processor, model, family = load_model("andaba/TEMPURA-Qwen2.5-VL-7B")
frames, timestamps = load_video_for_model("video.mp4", sample_fps=1, add_timestamp=True)
messages = build_messages(frames, prompts.DVC, family, min_pixels=336 * 336, max_pixels=336 * 336)
print(generate(processor, model, family, messages, max_new_tokens=2048))

Benchmark evaluation (Charades-STA temporal grounding, QVHighlights highlight detection):

bash scripts/eval/eval_charades.sh andaba/TEMPURA-Qwen2.5-VL-7B results/charades/TEMPURA-Qwen2.5-VL-7B qwen 0
bash scripts/eval/eval_qvhighlights.sh andaba/TEMPURA-Qwen2.5-VL-7B results/qvhighlights/TEMPURA-Qwen2.5-VL-7B qwen 0

Results obtained with this pipeline are listed in the repository README.

License

These weights are a fine-tune of Qwen2.5-VL-7B-Instruct and are released under the same Apache License 2.0.

Citation

@inproceedings{
cheng2026tempura,
title={{TEMPURA}: Temporal Event Masked Prediction and Understanding for Reasoning in Action},
author={Cheng, Jen-Hao and Peng, Yi-Hao and Zhou, Huapeng and Wang, Vivian and Wang, Huayu and Huang, Hsiang-Wei and Chai, Wenhao and Liu, Hou-I and Chen, Kuang-Ming and Yang, Cheng-Yen and Chen, Yi-Ling and Vineet, Vibhav and Cai, Qin and Hwang, Jenq-Neng},
booktitle={Third Conference on Language Modeling},
year={2026}
}

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
Ревизия весов
56bfef6

0 моделей