/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
15 июл 2026

STRIDE-4B

Классификация видеоВидео → label

STRIDE-4B анализирует потоковое видео и определяет, когда следует запустить отдельную Video-LLM для проактивного ответа.

2скачиваний за 30 дней0лайковвеса обновлены15 июл 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

STRIDE-4B — модель для проактивного анализа потокового видео, разработанная авторами исследования из UIUC, KAIST и Google DeepMind. Она непрерывно отслеживает видеопоток и определяет временные интервалы, когда подключённой Video-LLM следует сформировать ответ, даже если пользователь ещё не задал вопрос.

Модель построена на базе Qwen3-VL-4B-Instruct с временной головой активации и использует masked diffusion для последовательного уточнения сигналов активации в скользящем временном окне. Она рассчитана на обработку потока примерно с частотой 1 кадр в секунду. STRIDE служит первым этапом двухэтапной системы: при срабатывании она передаёт накопленные кадры отдельной Video-LLM, которая генерирует ответ. Для обучения использовались временные аннотации из восьми наборов данных для понимания видео.

Модель предназначена для потокового понимания видео, включая real-time perception, backward tracing и forward active responding. Это вариант на 4 млрд параметров, который авторы описывают как более точный, чем STRIDE-2B. Лицензия репозитория — Apache-2.0. Модель предсказывает моменты запуска ответа, а не сам ответ; для генерации ответа требуется отдельная Video-LLM и полный inference pipeline из проекта STRIDE.

Сценарии применения

  • определение момента для ответа на событие в прямом видеопотоке
  • проактивное наблюдение за потоковым видео без явного вопроса пользователя
  • выделение временных интервалов активности для последующего анализа Video-LLM
  • отслеживание происходящего в видео в реальном времени
  • поиск момента для обратного анализа предшествующих кадров

Ограничения

Модель предсказывает интервалы активации, но не генерирует ответы сама; для этого нужна отдельная Video-LLM. Описанный режим обработки ориентирован на поток с частотой около 1 кадра в секунду.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

STRIDE-4B

STRIDE (Structured Temporal Refinement with Iterative DEnoising) is a lightweight proactive activation model for streaming video understanding. It decides when a downstream Video-LLM should respond during a live video stream — without waiting for explicit user queries.

Paper: STRIDE: When to Speak Meets Sequence Denoising for Streaming Video Understanding

Junho Kim*, Hosu Lee*, James M. Rehg, Minsu Kim, Yong Man Ro

UIUC, KAIST, Google DeepMind

What is STRIDE?

Existing streaming Video-LLMs are reactive — they only respond when a user explicitly asks a question. STRIDE makes them proactive by adding a lightweight front-end that continuously monitors incoming frames and predicts coherent activation spans indicating when to trigger a response.

The key insight is that activation in streaming video is not a point-wise binary decision ("should I respond now?"), but a span-structured sequence modeling problem — the model must capture consistent onset (0 → 1), persistence (1 → 1), and offset (1 → 0) transitions. STRIDE achieves this through masked diffusion over a temporal activation window, jointly predicting and iteratively refining activation signals across the window.

Two-Stage Architecture

Video Stream
  │
  ▼
[STRIDE Activation Model]  ← this model (4B)
  │
  │ trigger (only if active)
  ▼
[Downstream Video-LLM]     ← frozen, any off-the-shelf
  │
  ▼
Response
  • Stage 1 — Activation (STRIDE): Monitors the stream at 1 FPS, maintains a sliding activation window, and iteratively denoises binary activation labels via masked diffusion.
  • Stage 2 — Response (Downstream LLM): When triggered, the frozen downstream Video-LLM receives the accumulated frame cache and generates a response. STRIDE is fully plug-and-play — compatible with any off-the-shelf Video-LLM.

Results

OVO-Bench (Online Video Understanding)

MethodReal-Time PerceptionBackward TracingForward Active RespondingOverall
Flash-VStream-7B28.3727.3845.0933.61
Dispider54.5536.0634.7241.78
TimeChat-Online-7B58.6042.0036.4045.60
QueryStream-7B61.4042.1039.0347.51
StreamAgent-7B61.3041.7045.4049.40
STRIDE-4B + Gemma3-4B60.5834.6057.5750.92
STRIDE-4B + InternVL3-8B66.6347.7757.3357.24
STRIDE-4B + Qwen3-VL-8B69.7748.6762.3760.27

StreamingBench (Streaming Comprehension)

MethodReal-Time VisualOmni-SourceContextualOverall
Flash-VStream-7B23.2326.0024.1224.04
VideoLLM-Online-8B35.9928.4526.5532.48
Dispider67.6335.6633.6153.12
StreamAgent-7B74.3136.2634.6257.02
STRIDE-4B + Gemma3-4B59.9336.4041.0050.49
STRIDE-4B + InternVL3-8B73.8240.9040.9059.19
STRIDE-4B + Qwen3-VL-8B76.0140.0039.9059.98

Usage

For the full streaming inference pipeline and evaluation scripts, please refer to the STRIDE GitHub repository.

Training

  • Architecture: Qwen3VLForSTRIDE (Qwen3-VL backbone with a temporal activation head)
  • Base model: Qwen/Qwen3-VL-4B-Instruct
  • Training data: Temporal activation annotations curated from eight publicly available video understanding datasets (ActivityNet-Captions, LITA, YouCook2, ET-Instruct, Charades, CharadesEgo, DiDeMo, Grounded-VideoLLM). STRIDE-4B is trained under the same data and training configuration as STRIDE-2B.

Model Variants

ModelParamsDescription
STRIDE-2B2BDefault activation model
STRIDE-4B (this)4BScaled variant with improved accuracy

Citation

@article{kim2026stride,
  title={STRIDE: When to Speak Meets Sequence Denoising for Streaming Video Understanding},
  author={Kim, Junho and Lee, Hosu and Rehg, James M. and Kim, Minsu and Ro, Yong Man},
  journal={arXiv preprint arXiv:2603.27593},
  year={2026}
}

License

This model is released under the Apache 2.0 License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
fa6f3cf

0 моделей