/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
mamba2-370m
Библиотека
transformers
Опубликована
15 июл 2026

video-ma2mba-0.3b

Компьютерное зрениеВидео, текст → текст

Video-Ma²mba-0.3B — мультимодальная модель на базе Mamba-2 для ответов на вопросы и анализа длительных видео.

0скачиваний 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

Video-Ma²mba-0.3B — мультимодальная модель для понимания длинных видео, разработанная Hosu Lee, Junho Kim, Hyunjun Kim и Yong Man Ro из Integrated Vision and Language Lab при KAIST. Она отвечает на вопросы о содержании видео и предназначена для анализа длительных последовательностей кадров, включая сценарии с видео продолжительностью более двух часов при выборке 1 кадр в секунду.

Модель использует архитектуру LlavaMambaForCausalLM: видеокадры кодируются SigLIP So400m, затем MLP-проектор передаёт визуальные токены в языковую модель Mamba-2 из 48 слоёв с размерностью скрытого состояния 1024. Языковая часть содержит около 370 млн параметров, полный размер модели — около 0,7 млрд. Mamba-2 обрабатывает последовательность с линейным ростом вычислительных затрат и памяти; модель выдаёт текстовые ответы и поддерживает английский язык.

В опубликованных результатах модель оценивалась на Video-MME, LongVideoBench, ActivityNet-QA, Video-ChatGPT и MVBench. Для работы требуется специальная архитектура LlavaMambaForCausalLM и соответствующая предварительная обработка видео. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о событиях в длинных видеозаписях
  • поиск действий и событий в видео продолжительностью несколько часов
  • анализ видеоконтента по последовательности кадров
  • оценка длительного видео в задачах бенчмарков понимания видео

Ограничения

Для инференса нужна поддержка специальной архитектуры LlavaMambaForCausalLM и соответствующая обработка видео. В README заявлена обработка видео с выборкой 1 кадр в секунду; приведённые показатели относятся к оценке семейства на указанных бенчмарках.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

video-ma2mba-0.3b

Video-Ma²mba is an efficient long-form video understanding model that replaces Transformer attention with State Space Models (SSMs) in the Mamba-2 framework, achieving linear time and memory scaling in sequence length. A single GPU can therefore process video sequences equivalent to millions of tokens — over two hours of video at 1 FPS.

Paper: Look Every Frame All at Once: Video-Ma²mba for Efficient Long-form Video Understanding with Multi-Axis Gradient Checkpointing

Hosu Lee, Junho Kim, Hyunjun Kim, Yong Man Ro

Integrated Vision and Language Lab, KAIST

What is Video-Ma²mba?

Processing long videos with Transformer-based video-LLMs is expensive: self-attention scales quadratically with the number of tokens, so memory and compute explode as videos grow to thousands of frames. Video-Ma²mba addresses this at the architecture level.

  • State-space backbone. The language model is built on Mamba-2, replacing attention with selective state-space layers whose cost grows linearly with sequence length. A long video is consumed as one continuous stream rather than a truncated window.
  • Multi-Axis Gradient Checkpointing (MA-GC). A training-time memory technique that checkpoints activations along multiple axes, sharply reducing the memory footprint versus standard gradient checkpointing and making long-sequence training feasible.
  • Streaming-scale context. Together these let the model ingest sequences equivalent to millions of tokens — 2+ hours of video at 1 FPS — on a single GPU.

Architecture

Video (sampled at 1 FPS)
  │
  ▼
[SigLIP-so400m Vision Encoder]  →  per-frame visual tokens
  │
  ▼
[MLP Projector]                 →  language-model embedding space
  │
  ▼
[Mamba-2 Language Model]        ←  linear-time SSM · 48 layers · d=1024
  │
  ▼
Text response
ComponentSpecification
ArchitectureLlavaMambaForCausalLM (llava_mamba)
Language modelMamba-2 · 48 layers · hidden size 1024 · ~370M params
Vision encodergoogle/siglip-so400m-patch14-384
Projector2-layer MLP with GELU
Precisionbfloat16
Sampling1 FPS with time-instruction conditioning
Max contextup to ~1M tokens

Results

Scores are as reported in the paper for the Video-Ma²mba family. The row marked (this) corresponds to this checkpoint.

Video-MME (w/o subtitles)

ModelTotal SizeShortMediumLongOverall
Video-Ma²mba-0.3B (this)0.7B37.435.026.833.1
Video-Ma²mba-1.3B1.8B49.439.231.940.3
Video-Ma²mba-2.7B3.1B57.642.735.445.2

LongVideoBench

ModelTotal SizeValTest
Video-Ma²mba-0.3B (this)0.7B34.034.2
Video-Ma²mba-1.3B1.8B38.039.8
Video-Ma²mba-2.7B3.1B43.044.2

General Video Understanding

ModelTotal SizeActivityNet-QAVideo-ChatGPTMVBench
Video-Ma²mba-0.3B (this)0.7B43.82.6941.1
Video-Ma²mba-1.3B1.8B50.02.7644.4
Video-Ma²mba-2.7B3.1B51.73.0348.3

Model Variants

ModelLLM (Mamba-2)Total
video-ma2mba-0.3b (this)370M0.7B
video-ma2mba-1.3b1.3B1.8B
video-ma2mba-2.7b2.7B3.1B

Usage

Video-Ma²mba uses a custom LlavaMambaForCausalLM architecture. For the inference pipeline, video preprocessing, and evaluation scripts, please refer to the official Video-Ma²mba GitHub repository.

Citation

@article{lee2024videoma2mba,
  title={Look Every Frame All at Once: Video-Ma2mba for Efficient Long-form Video Understanding with Multi-Axis Gradient Checkpointing},
  author={Lee, Hosu and Kim, Junho and Kim, Hyunjun and Ro, Yong Man},
  journal={arXiv preprint arXiv:2411.19460},
  year={2024}
}

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

Нельзя запустить

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

Ревизия весов
07ee872

0 моделей