/ Модель

Характеристики

Параметры
113 млн
Лицензия
Своя лицензия
Архитектура
vjepa2 · dense
Опубликована
11 июн 2026

vjepa2.1-vitb-fpc64-384

ЭмбеддингиТекст → embedding3 профессии

Виде энкодер Meta AI на основе ViT-B извлекает признаки из 64-кадровых клипов для анализа и понимания видео.

574скачиваний за 30 дней0лайковвеса обновлены11 июн 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 «Эмбеддинги» — 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

V-JEPA 2.1 ViT-B — видеомодель Meta AI Research для извлечения признаков из видеоклипов. Этот репозиторий содержит конверсию исходного чекпойнта Meta AI в формат Hugging Face Transformers; энкодер ViT-B был дистиллирован из учителя ViT-G и обучен на видео методом самообучения. Модель насчитывает 113,2 млн параметров, обрабатывает клипы из 64 кадров с размером кропа 384 пикселя и выдаёт векторные представления для последующего анализа или обучения прикладных систем.

Модель предназначена для построения признаковых представлений видео, которые можно использовать в задачах понимания и анализа видеосцен. Карточка указывает на исследовательскую работу о понимании, предсказании и планировании на основе видео. Данные о лицензии описаны как условия Meta AI для исходных весов; перед использованием следует свериться с исходными условиями Meta, поскольку в карточке конкретный тип лицензии не приведён.

Сценарии применения

  • извлечение признаков из видеоклипов
  • получение эмбеддингов видеосцен для последующей классификации
  • подготовка представлений видео для исследовательских систем понимания сцен
  • анализ видеоклипов длиной 64 кадра

Ограничения

Модель выдаёт признаки, а не готовые текстовые ответы или метки задач; для прикладной классификации или другого анализа может потребоваться отдельная модель или обученная голова. Использование весов подчиняется исходным условиям Meta AI, конкретная лицензия в карточке не уточнена.

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

vjepa2.1-vitb-fpc64-384

V-JEPA 2.1 ViT-B encoder, distilled from a ViT-G teacher, trained by Meta AI on video self-supervised learning.

About this checkpoint

This is a HuggingFace Transformers conversion of Meta's original V-JEPA 2.1 ViT-B checkpoint. Original weights belong to Meta AI; the license follows Meta's original terms. This checkpoint has been uploaded here pending transfer to Meta's official Hub organization.

Model details

ParameterValue
ArchitectureViT-B encoder
Crop size384 px
Frames per clip64
Distilled fromViT-G teacher

Usage

import torch
from transformers import AutoVideoProcessor, VJEPA2Model

model_id = "davevanveen/vjepa2.1-vitb-fpc64-384"

processor = AutoVideoProcessor.from_pretrained(model_id)
model = VJEPA2Model.from_pretrained(model_id)
model.eval()

# video: list of PIL images or a (T, H, W, C) numpy array
# Here we use a random tensor as a placeholder
video_frames = torch.randint(0, 256, (64, 384, 384, 3), dtype=torch.uint8).numpy()

inputs = processor(videos=[video_frames], return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)

# Patch-level features: (batch, num_patches, hidden_dim)
features = outputs.last_hidden_state
print(features.shape)

Attribution

Original V-JEPA 2 work by Meta AI Research. If you use this model, please cite the original work:

@article{vjepa2_2025,
  title   = {V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning},
  author  = {Assran, Mahmoud and others},
  year    = {2025},
  url     = {https://github.com/facebookresearch/vjepa2}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VJEPA2Model
Ревизия весов
a88952a

0 моделей