/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
Apache 2.0
Архитектура
vjepa2 · dense
Библиотека
transformers
Опубликована
7 апр 2025

vjepa2-vitg-fpc64-256

Классификация видеоВидео → label4 профессии

Видеоэнкодер V-JEPA 2 от FAIR и Meta для классификации, поиска и получения представлений видео и изображений.

93 185скачиваний за 30 дней59лайковвеса обновлены11 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки31

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • UCF101VideoClustering

    main_score

    Результат

    0,7572

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVClassification

    main_score

    Результат

    0,3826

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,3211

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonV

    main_score

    Результат

    0,6708

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClassification

    main_score

    Результат

    0,8329

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0674

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700V

    main_score

    Результат

    0,2192

    MTEB

    Публичная таблицаревизия совпадает

  • MELDEmotionVideoClustering

    main_score

    Результат

    0,0139

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,2631

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSense1MinDomainVideoClustering

    main_score

    Результат

    0,2566

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQAVPairClassification

    main_score

    Результат

    0,6288

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVideoClustering

    main_score

    Результат

    0,0624

    MTEB

    Публичная таблицаревизия совпадает

  • SomethingSomethingV2Classification

    main_score

    Результат

    0,1565

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoClassification

    main_score

    Результат

    0,5339

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,4214

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,5509

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,9338

    MTEB

    Публичная таблицаревизия совпадает

  • MELDSpeakerVideoClustering

    main_score

    Результат

    0,2301

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVPairClassification

    main_score

    Результат

    0,5191

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonVPairClassification

    main_score

    Результат

    0,6809

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,1548

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSAVVPairClassification

    main_score

    Результат

    0,5415

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoClassification

    main_score

    Результат

    0,3911

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClassification

    main_score

    Результат

    0,4197

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,5502

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastClassification

    main_score

    Результат

    0,3808

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Classification

    main_score

    Результат

    0,497

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVPairClassification

    main_score

    Результат

    0,776

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClustering

    main_score

    Результат

    0,5138

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClustering

    main_score

    Результат

    0,2193

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,3196

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

V-JEPA 2 — модель понимания видео, разработанная FAIR в Meta. Это плотная модель семейства VJEPA2 с 1,3 млрд параметров; репозиторий содержит веса в формате Safetensors и предназначен для использования через Transformers. Модель кодирует видео и изображения в представления для классификации видео, поиска по видео и использования в качестве видеоэнкодера для VLM.

Для этого варианта при обработке видео требуется выбирать 64 кадра; изображение можно повторить до нужного числа кадров. Модель ориентирована на визуальные данные, поэтому естественный язык не является её основным входом или выходом. Лицензия — Apache-2.0.

Сценарии применения

  • классификация содержимого видео
  • поиск видео по визуальному сходству
  • извлечение представлений видео для VLM
  • кодирование изображений как последовательности кадров

Ограничения

Для обработки видео требуется выбирать 64 кадра; модель предназначена для визуального кодирования и сама по себе не заявлена как генератор текстовых ответов.

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

V-JEPA 2

A frontier video understanding model developed by FAIR, Meta, which extends the pretraining objectives of VJEPA, resulting in state-of-the-art video understanding capabilities, leveraging data and model sizes at scale. The code is released in this repository.

 

Installation

To run V-JEPA 2 model, ensure you have installed the latest transformers:

pip install -U git+https://github.com/huggingface/transformers

Intended Uses

V-JEPA 2 is intended to represent any video (and image) to perform video classification, retrieval, or as a video encoder for VLMs.

from transformers import AutoVideoProcessor, AutoModel

hf_repo = "facebook/vjepa2-vitg-fpc64-256"

model = AutoModel.from_pretrained(hf_repo)
processor = AutoVideoProcessor.from_pretrained(hf_repo)

To load a video, sample the number of frames according to the model. For this model, we use 64.

import torch
from torchcodec.decoders import VideoDecoder
import numpy as np

video_url = "https://huggingface.co/datasets/nateraw/kinetics-mini/resolve/main/val/archery/-Qz25rXdMjE_000014_000024.mp4"
vr = VideoDecoder(video_url)
frame_idx = np.arange(0, 64) # choosing some frames. here, you can define more complex sampling strategy
video = vr.get_frames_at(indices=frame_idx).data  # T x C x H x W
video = processor(video, return_tensors="pt").to(model.device)
with torch.no_grad():
    video_embeddings = model.get_vision_features(**video)

print(video_embeddings.shape)

To load an image, simply copy the image to the desired number of frames.

from transformers.image_utils import load_image

image = load_image("https://huggingface.co/datasets/merve/coco/resolve/main/val2017/000000000285.jpg")
pixel_values = processor(image, return_tensors="pt").to(model.device)["pixel_values_videos"]
pixel_values = pixel_values.repeat(1, 16, 1, 1, 1) # repeating image 16 times

with torch.no_grad():
    image_embeddings = model.get_vision_features(pixel_values)    

print(image_embeddings.shape)

For more code examples, please refer to the V-JEPA 2 documentation.

Citation

@techreport{assran2025vjepa2,
  title={V-JEPA~2: Self-Supervised Video Models Enable Understanding, Prediction and Planning},
  author={Assran, Mahmoud and Bardes, Adrien and Fan, David and Garrido, Quentin and Howes, Russell and
Komeili, Mojtaba and Muckley, Matthew and Rizvi, Ammar and Roberts, Claire and Sinha, Koustuv and Zholus, Artem and
Arnaud, Sergio and Gejji, Abha and Martin, Ada and Robert Hogan, Francois and Dugas, Daniel and
Bojanowski, Piotr and Khalidov, Vasil and Labatut, Patrick and Massa, Francisco and Szafraniec, Marc and
Krishnakumar, Kapil and Li, Yong and Ma, Xiaodong and Chandar, Sarath and Meier, Franziska and LeCun, Yann and
Rabbat, Michael and Ballas, Nicolas},
  institution={FAIR at Meta},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
VJEPA2Model
Ревизия весов
875c192

0 моделей