/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
mamba2-1.3b
Библиотека
transformers
Опубликована
15 июл 2026

video-ma2mba-1.3b

Компьютерное зрениеВидео, текст → текст3 профессии

Video-Ma²mba-1.3B — модель KAIST для ответов на вопросы и анализа длинных видео с выдачей текста.

47скачиваний 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-1.3B — модель для понимания длинных видео, разработанная исследователями Integrated Vision and Language Lab при KAIST. Она отвечает текстом на вопросы о содержании видео и рассчитана на обработку последовательностей продолжительностью более двух часов при выборке 1 кадр в секунду.

Модель объединяет визуальный энкодер SigLIP-so400m, MLP-проектор и языковую модель Mamba-2 с 48 слоями и размером скрытого представления 2048; в языковой части около 1,3 млрд параметров, общий размер модели — около 1,8 млрд. Архитектура LlavaMambaForCausalLM использует слои пространства состояний с линейным масштабированием по длине последовательности, что помогает обрабатывать длинные видео. Модель принимает видео и выдаёт текст; в карточке указан английский язык.

Она подходит для вопросов и ответов по видео, анализа длинных записей и обобщения их содержания. В README приведены результаты на Video-MME, LongVideoBench и других тестах, но они не гарантируют качество на произвольных видео. Для инференса нужны поддержка пользовательской архитектуры и специальная предобработка видео; детали настройки предлагается смотреть в официальном репозитории. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержании длинного видео
  • поиск событий и действий в видеозаписи
  • обобщение многочасовых видеозаписей
  • анализ длинных видео без опоры на субтитры

Ограничения

Для инференса требуются поддержка пользовательской архитектуры LlavaMambaForCausalLM и специальная предобработка видео. Опубликованные результаты относятся к указанным в карточке тестам и не гарантируют качество на других видео.

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

video-ma2mba-1.3b

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=2048
  │
  ▼
Text response
ComponentSpecification
ArchitectureLlavaMambaForCausalLM (llava_mamba)
Language modelMamba-2 · 48 layers · hidden size 2048 · ~1.3B 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-0.3B0.7B37.435.026.833.1
Video-Ma²mba-1.3B (this)1.8B49.439.231.940.3
Video-Ma²mba-2.7B3.1B57.642.735.445.2

LongVideoBench

ModelTotal SizeValTest
Video-Ma²mba-0.3B0.7B34.034.2
Video-Ma²mba-1.3B (this)1.8B38.039.8
Video-Ma²mba-2.7B3.1B43.044.2

General Video Understanding

ModelTotal SizeActivityNet-QAVideo-ChatGPTMVBench
Video-Ma²mba-0.3B0.7B43.82.6941.1
Video-Ma²mba-1.3B (this)1.8B50.02.7644.4
Video-Ma²mba-2.7B3.1B51.73.0348.3

Model Variants

ModelLLM (Mamba-2)Total
video-ma2mba-0.3b370M0.7B
video-ma2mba-1.3b (this)1.3B1.8B
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
6de90c5

0 моделей