/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
vjepa2 · dense
Библиотека
transformers
Опубликована
31 мая 2025

vjepa2-vitl-fpc64-256

Классификация видеоВидео → label5 профессий

V-JEPA 2 — модель FAIR при Meta для классификации и представления видео и изображений, поиска по видеоданным и использования в качестве видеоэнкодера.

302 тыс.скачиваний за 30 дней213лайковвеса 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.

  • SomethingSomethingV2Classification

    main_score

    Результат

    0,1376

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,3206

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVPairClassification

    main_score

    Результат

    0,8285

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClassification

    main_score

    Результат

    0,8138

    MTEB

    Публичная таблицаревизия совпадает

  • MELDEmotionVideoClustering

    main_score

    Результат

    0,0122

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoClassification

    main_score

    Результат

    0,5196

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVClassification

    main_score

    Результат

    0,2972

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700V

    main_score

    Результат

    0,2236

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQAVPairClassification

    main_score

    Результат

    0,6352

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClassification

    main_score

    Результат

    0,3247

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonV

    main_score

    Результат

    0,7004

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClustering

    main_score

    Результат

    0,5701

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVPairClassification

    main_score

    Результат

    0,5151

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,938

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,1602

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,259

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoClassification

    main_score

    Результат

    0,3944

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,065

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSense1MinDomainVideoClustering

    main_score

    Результат

    0,2558

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,516

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastClassification

    main_score

    Результат

    0,3095

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSAVVPairClassification

    main_score

    Результат

    0,542

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClustering

    main_score

    Результат

    0,257

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,3174

    MTEB

    Публичная таблицаревизия совпадает

  • MELDSpeakerVideoClustering

    main_score

    Результат

    0,24

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVideoClustering

    main_score

    Результат

    0,0695

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonVPairClassification

    main_score

    Результат

    0,7285

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClustering

    main_score

    Результат

    0,7801

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,5576

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Classification

    main_score

    Результат

    0,4561

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,4438

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

V-JEPA 2 — видеомодель, разработанная FAIR при Meta. Она использует архитектуру VJEPA2 и предназначена для представления видео и изображений, классификации видео, поиска похожих видео и работы в качестве видеоэнкодера для визуально-языковых моделей. Для этой версии требуется подавать 64 кадра; изображение можно представить как последовательность повторяющихся кадров. Модель содержит 402,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers.

Модель подходит для извлечения представлений из видео и изображений, классификации видеоматериалов и поиска по видео. В карточке заявлены возможности понимания видео на основе масштабного предобучения; отдельные численные результаты для этой версии не приведены. Лицензия — MIT.

Сценарии применения

  • классификация видеороликов по содержанию
  • поиск видео по визуальному сходству
  • извлечение представлений из видеоклипов
  • кодирование видео для визуально-языковой модели
  • классификация изображений через подачу повторяющихся кадров

Ограничения

Для обработки видео требуется выбрать 64 кадра; отдельные численные оценки качества этой версии в карточке не приведены.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

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-vitl-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
b3c1679

0 моделей