/ Модель

Характеристики

Лицензия
Llama 3.2
Базовая модель
vjepa2-vitl-fpc64-256
Библиотека
pytorch
Опубликована
27 мая 2026

open-vljepa

Компьютерное зрениеВидео, текст → текст3 профессии

Open-VLJEPA — чекпойнт для поиска видео по тексту и текстовых описаний по видео на основе общего пространства представлений.

15скачиваний за 30 дней7лайковвеса обновлены27 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

Open-VLJEPA — обученный чекпойнт открытой переработки архитектуры VL-JEPA, разработанной Meta и описанной Chen et al. в 2026 году. Эта версия дообучена для поиска соответствий между видео и текстом на MSRVTT: она предназначена для извлечения видео по текстовому запросу и текста по видео. В тесте MSRVTT с пулом из 500 видео показатель T2V R@1 составил 23,9%, R@5 — 51,44%, R@10 — 65,05%. Чекпойнт обучался на данных MSRVTT после начального этапа на CC3M.

Архитектура включает замороженный визуальный энкодер V-JEPA 2 ViT-L, предиктор на основе последних восьми слоёв Llama 3.2 1B и текстовый энкодер EmbeddingGemma 300M; проекции сводят представления в общее пространство размерности 1536. В репозитории сохранены обучаемые части модели, около 800 млн параметров; визуальный энкодер загружается отдельно из Hugging Face. Реализация обучалась на существенно меньших ресурсах, чем исходная работа, поэтому приведённые результаты ограничены конкретной настройкой и тестовым набором. Лицензия в метаданных указана как Llama 3.2.

Сценарии применения

  • поиск видео по текстовому запросу в коллекции MSRVTT-подобных роликов
  • поиск текста или описания, соответствующего заданному видео
  • ранжирование видео по релевантности текстовому запросу

Ограничения

Чекпойнт обучен на MSRVTT и его заявленные метрики относятся к тесту этого набора с пулом из 500 видео, поэтому качество на других доменах не установлено. Замороженный визуальный энкодер не включён в файл чекпойнта и загружается отдельно.

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

Open-VLJEPA — MSRVTT in-domain checkpoint (R@1 = 23.9)

GitHub Paper License Buy Me A Coffee

Trained checkpoint for Open-VLJEPA — an open re-implementation of VL-JEPA (Chen et al., 2026, Meta).

Note — this is a resource-poor re-implementation. Training was limited to a single workstation (8 × RTX 4090, 192 GB VRAM total) over a few days, versus the paper's 192 × H200 for 4 weeks on ~3.3 B samples. Numbers below reflect that gap.

My work runs on caffeine ☕. If this checkpoint is useful to you, a small donation helps keep the lights on and more open re-implementations coming.

Results (MSRVTT test, 500-video pool)

This checkpoint is in-domain MSRVTT Stage B (50 epochs), initialized from a CC3M image-text Stage A.

MetricT2VV2T
R@123.90—
R@551.44—
R@1065.05—

See eval_history.json for the full 50-epoch trajectory.

Architecture

  • X-Encoder: facebook/vjepa2-vitl-fpc64-256 (frozen, weights NOT in this ckpt — re-fetched from HF at load time)
  • Predictor: last 8 layers of meta-llama/Llama-3.2-1B + projection, bi-directional attention
  • Y-Encoder: google/embeddinggemma-300m + projection
  • Loss: bi-directional InfoNCE in a shared 1536-D space

Only the trainable parts (predictor + y_encoder + projections, ~800 M params) are saved in best.pt. The frozen V-JEPA 2 encoder is loaded directly from facebook/vjepa2-vitl-fpc64-256 at inference time.

Usage

git clone https://github.com/dion-jy/open-vljepa
cd open-vljepa
pip install torch transformers webdataset decord pyyaml huggingface-hub

# Download ckpt
huggingface-cli download cun-bjy/open-vljepa best.pt --local-dir checkpoints_msrvtt

# Demo
python scripts/demo_gif.py --ckpt checkpoints_msrvtt/best.pt
# Eval
python scripts/eval.py --ckpt checkpoints_msrvtt/best.pt --n_videos 500

Training

  • Stage A — image-text on CC3M (~1 M pairs, 1 frame per visual input), 10 ep
  • Stage B (this ckpt) — MSRVTT, 50 ep, init from Stage A best
  • 8 × RTX 4090, bs = 64/gpu (effective contrastive pool 512 via all-gather), LR 1e-4, bf16 + gradient checkpointing

Configs are in the GitHub repo (configs/stage_a.yaml, configs/stage_b_retrain.yaml).

License & Attribution

Built with Llama (meta-llama/Llama-3.2-1B, Llama 3.2 Community License) and Gemma (google/embeddinggemma-300m, Gemma License). V-JEPA 2 (facebook/vjepa2-vitl-fpc64-256, MIT) is used in frozen form.

By using this checkpoint you agree to:

  • The Llama 3.2 Acceptable Use Policy
  • The Gemma Acceptable Use Policy

Citation

@article{chen2026vljepa,
  title   = {VL-JEPA: Joint Embedding Predictive Architecture for Vision-Language},
  author  = {Chen et al.},
  journal = {arXiv preprint arXiv:2512.10942},
  year    = {2026}
}

@misc{openvljepa2026,
  title        = {Open-VLJEPA: a small-scale open re-implementation of VL-JEPA},
  author       = {Baek, Junyeob},
  year         = {2026},
  howpublished = {\url{https://github.com/dion-jy/open-vljepa}},
  note         = {GitHub repository}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
c584d9e

0 моделей