/ Модель

Характеристики

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

vjepa2-vitg-fpc64-384

Классификация видеоВидео → label4 профессии

V-JEPA 2 — визуальный видеокодировщик Meta для классификации, поиска по видео и извлечения представлений из изображений и видео.

2 749скачиваний за 30 дней47лайковвеса 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.

  • RAVDESSVClassification

    main_score

    Результат

    0,3611

    MTEB

    Публичная таблицаревизия совпадает

  • MELDEmotionVideoClustering

    main_score

    Результат

    0,0107

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700V

    main_score

    Результат

    0,2203

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClustering

    main_score

    Результат

    0,746

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClustering

    main_score

    Результат

    0,2083

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVPairClassification

    main_score

    Результат

    0,5176

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClassification

    main_score

    Результат

    0,4174

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,1533

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,9284

    MTEB

    Публичная таблицаревизия совпадает

  • MELDSpeakerVideoClustering

    main_score

    Результат

    0,2268

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSAVVPairClassification

    main_score

    Результат

    0,5378

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastClassification

    main_score

    Результат

    0,3599

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,2608

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonV

    main_score

    Результат

    0,6692

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoClassification

    main_score

    Результат

    0,5368

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSense1MinDomainVideoClustering

    main_score

    Результат

    0,2553

    MTEB

    Публичная таблицаревизия совпадает

  • SomethingSomethingV2Classification

    main_score

    Результат

    0,1563

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonVPairClassification

    main_score

    Результат

    0,6756

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoClassification

    main_score

    Результат

    0,4133

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,5382

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVPairClassification

    main_score

    Результат

    0,7542

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,3187

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,5476

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClassification

    main_score

    Результат

    0,8335

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClustering

    main_score

    Результат

    0,4988

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVideoClustering

    main_score

    Результат

    0,0504

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQAVPairClassification

    main_score

    Результат

    0,618

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,4229

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Classification

    main_score

    Результат

    0,4965

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,315

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0586

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

V-JEPA 2 — видеомодель для понимания визуального содержимого, разработанная FAIR в Meta. Эта версия содержит архитектуру VJEPA2Model с плотной структурой и 1,3 млрд параметров; веса опубликованы в формате safetensors и предназначены для работы через Transformers.

Модель кодирует видео и изображения для классификации видео, поиска похожих видеоматериалов и использования в качестве видеокодировщика для мультимодальных языковых моделей. Для видео требуется подавать 64 кадра; изображение можно повторить до нужного числа кадров. Модель ориентирована на визуальные данные и не заявляет поддержку конкретных естественных языков.

Репозиторий распространяется по лицензии Apache-2.0. README описывает возможности понимания видео, но не приводит количественных оценок качества или подробных ограничений по применению.

Сценарии применения

  • классификация видеоклипов по содержанию
  • поиск похожих видео по визуальному содержимому
  • извлечение представлений видео для мультимодальной языковой модели
  • кодирование изображения как последовательности кадров

Ограничения

Для видео модель рассчитана на вход из 64 кадров; README не приводит количественных оценок качества и не описывает ограничения применения.

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-fpc64-384"

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
12ca916

0 моделей