/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
17,6 ГБ
Лицензия
Apache 2.0
Архитектура
llava_qwen · dense
Базовая модель
Qwen2-7B
Библиотека
transformers
Опубликована
30 сен 2026

UniMambaMia-AV-Qwen2-7B

Генерация текстаТекст → текст3 профессии

Аудиовизуальная модель на базе Qwen2-7B для диалога и ответов на вопросы по видео с учётом изображения и звука.

26скачиваний за 30 дней0лайковвеса обновлены30 сен 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

UniMambaMia-AV-Qwen2-7B — аудиовизуальная видео-языковая модель из работы «Do Modern Video-LLMs Need to Listen? A Benchmark Audit and Scalable Remedy», представленной на Interspeech 2026. Она объединяет языковую модель Qwen2-7B с визуальным энкодером SigLIP2-so400m и аудиоэнкодером Qwen2-Audio; оба энкодера заморожены. Визуальная часть обрабатывает кадры с разрешением 384 пикселя и после пулинга формирует 144 токена на кадр.

Модель предназначена для диалога и ответов на вопросы по аудиовизуальному видео, включая задачи AV-SpeakerBench и AVQA-Hard. Она принимает видео и аудио вместе с текстовыми инструкциями и генерирует текстовые ответы. Размер — 7,1 млрд параметров, контекст — 32 768 токенов; веса сохранены в float16. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержании аудиовизуального видео
  • определение говорящего по аудиовизуальным признакам
  • анализ связи между звуковыми событиями и происходящим в кадре

Ограничения

В README описаны оценки на конкретных аудиовизуальных бенчмарках, поэтому качество на других сценариях по этим данным не установлено.

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

UniMambaMia-AV-Qwen2-7B

Audio-visual Video-LLM from Do Modern Video-LLMs Need to Listen? A Benchmark Audit and Scalable Remedy (Interspeech 2026, arXiv:2509.17901).

Component
LLMQwen2-7B
Vision encoderSigLIP2-so400m, 384 px, 144 tokens per frame after 2x2 pooling (frozen)
Audio encoderQwen2-Audio encoder (frozen)
Audio compressorUniMambaMia (causal Mamba2 with gated pooling, 2 layers), 25x compression: one audio token per second
Input32 frames at 1 fps; the audio tokens of each second follow the visual tokens of that frame

The weights are stored in float16, the precision used for the evaluations in the paper.

Code, training and evaluation scripts: https://github.com/naver-ai/unimambamia-av

Usage

git clone --recursive https://github.com/naver-ai/unimambamia-av && cd unimambamia-av
bash install.sh
bash eval_unimambamia.sh gwkrsrch/UniMambaMia-AV-Qwen2-7B --tasks av_speakerbench_audiovisual,avqa_hard

License

Apache 2.0, following the licenses of Qwen2-7B, SigLIP2 and the Qwen2-Audio encoder that the model is built from.

Citation

@inproceedings{kim2026doesaudiomatter,
  title     = {Do Modern Video-LLMs Need to Listen? A Benchmark Audit and Scalable Remedy},
  author    = {Geewook Kim and Minjoon Seo},
  booktitle = {Proc. Interspeech 2026},
  year      = {2026},
  url       = {https://arxiv.org/abs/2509.17901}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура llava_qwen неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
3a1fa8e

0 моделей