/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
26 ноя 2025

CHAI_SFT_model_8b

Компьютерное зрениеВидео, текст → текст3 профессии

Дообученная мультимодальная Qwen3-VL для точного описания видео, генерации критики и исследований оценки согласованности видеоответов.

215скачиваний за 30 дней2лайкавеса обновлены13 мая 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

CHAI_SFT_model_8b — дообученная на наборе all_sft_formats_unbalanced_20251122_part_1 мультимодальная модель семейства Qwen3-VL, разработанная для исследований точного описания видео с человеческим контролем. Она принимает видео и текстовые запросы и формирует текстовые ответы; заявленные сценарии включают описание содержания и кинематографических особенностей видео, генерацию критики для задач понимания видео и бинарную оценку согласованности.

Модель основана на Qwen/Qwen3-VL-8B-Instruct и использует архитектуру Qwen3VLForConditionalGeneration; репозиторий содержит веса safetensors и предназначен для Transformers. Лицензия — Apache-2.0. Карточка ориентирует модель на исследовательскую работу, но не приводит результатов оценки или подробностей обучающих данных, поэтому качество и границы применимости заявленных возможностей не установлены.

Сценарии применения

  • создание подробных текстовых описаний видеороликов
  • описание кинематографических особенностей видео
  • генерация критических замечаний к описаниям видео
  • бинарная оценка согласованности видеоответов в исследовательских экспериментах

Ограничения

Карточка не приводит метрик оценки и подробностей обучающих данных. Заявленные сценарии оценки согласованности и генерации критики описаны как исследовательские, поэтому их качество не подтверждено опубликованными здесь результатами.

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

all_sft_formats_unbalanced_20251122_ep3_lr3e5_qwen3-vl-8b

This model is a fine-tuned version of Qwen/Qwen3-VL-8B-Instruct on the all_sft_formats_unbalanced_20251122_part_1 dataset.

It was developed as part of the research paper: "Building a Precise Video Language with Human-AI Oversight" (CVPR 2026 Highlight).

Model description

This model belongs to a family of video-language models (VLMs) optimized for precise video captioning using the CHAI (Critique-based Human–AI Oversight) framework. CHAI pairs trained human experts with model-generated pre-captions: experts provide correctional critiques that guide revisions into improved post-captions.

Intended uses & limitations

This model is intended for research in:

  • Precise video captioning and cinematography-aware description.
  • Multimodal reward modeling and binary alignment scoring.
  • Critique generation for video-language tasks.

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 3e-05
  • train_batch_size: 10
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 64
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 1280
  • total_eval_batch_size: 512
  • optimizer: Use adamw_torch_fused with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.05
  • num_epochs: 3.0

Framework versions

  • Transformers 4.57.1
  • Pytorch 2.9.1+cu128
  • Datasets 4.0.0
  • Tokenizers 0.22.1

Citation

If you find this work useful, please cite:

@inproceedings{chai2026,
  title     = {Building a Precise Video Language with Human--AI Oversight},
  author    = {Zhiqiu Lin and Chancharik Mitra and Siyuan Cen and Isaac Li and Yuhan Huang and Yu Tong Tiffany Ling and Hewei Wang and Irene Pi and Shihang Zhu and Ryan Rao and George Liu and Jiaxi Li and Ruojin Li and Yili Han and Yilun Du and Deva Ramanan},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
e11ff9f

0 моделей