/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
9,8 ГБ
Лицензия
Apache 2.0
Архитектура
cambrian_qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Опубликована
1 окт 2026

gaze-attention-qwen3-4b-video

Генерация текстаТекст → текст3 профессии

Мультимодальная модель Cambrian на базе Qwen3-4B, предназначенная для диалога и ответов на вопросы по видео с выборочным вниманием к визуальным областям.

41скачиваний за 30 дней1лайквеса обновлены1 окт 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

Gaze Attention Qwen3-4B Video — видеомодель с визуально-языковой архитектурой CambrianQwen3, разработанная Junha Song и соавторами из NAVER AI Lab и KAIST в рамках исследования Gaze Attention. Она принимает видео и текстовые запросы, а ответы формулирует на естественном языке. Модель предназначена для диалога о видео и ответов на вопросы по его содержимому.

В основе лежит Qwen3-4B-Instruct-2507 с 3,7 млрд параметров и визуальный энкодер SigLIP2-So400m/16, дообученный для этой системы. Проектор использует двухслойный MLP и свёртку 3×3 со stride 2, сокращая число визуальных токенов в четыре раза. Gaze Attention группирует ключи визуальных токенов по пространственным областям и для каждого слоя, головы и текстового токена выбирает наиболее релевантные области; контекстные токены сохраняют глобальное представление сцены. Контекст составляет до 262 144 токенов. В обучении использовались наборы Cambrian и LLaVA-Video; среди языков карточка указывает английский.

Модель объединяет языковую и визуальную компоненты и обучалась для мультимодальных задач, включая видео. Лицензия — Apache-2.0. Результаты зависят от содержимого видео и формулировки запроса; в карточке нет сведений об оценках качества или проверке на разных языках.

Сценарии применения

  • ответы на вопросы о содержимом видео
  • краткое описание сцен и событий в видео
  • поиск визуальных деталей по текстовому запросу
  • диалог о последовательности кадров и действиях

Ограничения

Карточка не приводит количественных оценок качества или результатов тестирования. Поддержка языков, кроме английского, не подтверждена.

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

Gaze Attention, Qwen3-4B, video

Video model of the paper Gaze Attention: Query-Adaptive Visual Routing for Efficient Multimodal LLMs (Junha Song, Byeongho Heo, Geonmo Gu, Jaegul Choo, Dongyoon Han, Sangdoo Yun; NAVER AI Lab, KAIST).

Multimodal LLMs attend to all visual tokens at every generation step. With Gaze Attention, the cached keys of the visual tokens are grouped into spatial regions, and every text query attends only to the TopK regions that match it best, selected per layer, per head and per token. A few learnable context tokens per image or frame keep the global view of the scene. The KV cache stays complete, so the attended regions change from one generated token to the next.

Model

Language modelQwen3-4B-Instruct-2507
Vision encoderSigLIP2-So400m/16, 384px (finetuned)
Projector2-layer MLP with a 3 x 3 convolution (stride 2): 4x fewer visual tokens
Visual tokens144 per frame
Gaze regions4 regions of 6 x 6 tokens per frame
Attended visual KV entries per query10% of the regions of all frames + 4 context tokens per frame (64 frames: 1,192 of 9,216 visual tokens)
Context tokens4 per frame
Parameters4.5B, stored in fp16

Usage

The model is loaded with the cambrian package of the Gaze Attention repository:

git clone https://github.com/junha1125/Gaze-Attention
cd Gaze-Attention
pip install torch==2.2.2 torchvision==0.17.2
pip install -e .
import copy
import torch

from cambrian.constants import DEFAULT_IMAGE_TOKEN, IMAGE_TOKEN_INDEX
from cambrian.conversation import conv_templates
from cambrian.mm_utils import tokenizer_image_token
from cambrian.model.builder import load_pretrained_model

tokenizer, model, image_processor, _, load_video = load_pretrained_model(
    "junha1125/gaze-attention-qwen3-4b-video", None, "cambrian_qwen3", device_map="cuda:0", return_video_loader=True
)
model.eval()

frames, frame_idx, meta = load_video("assets/jobs.mp4", video_fps=1, frames_upbound=64)   # 1 FPS, at most 64 frames
video = image_processor.preprocess(frames, return_tensors="pt")["pixel_values"].to(dtype=torch.float16, device="cuda:0")

conv = copy.deepcopy(conv_templates["qwen_3"])
conv.append_message(conv.roles[0], DEFAULT_IMAGE_TOKEN + "\nDescribe what happens in this video.")
conv.append_message(conv.roles[1], None)
input_ids = tokenizer_image_token(conv.get_prompt(), tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to("cuda:0")

output_ids = model.generate(input_ids, images=[video], modalities=["video"], do_sample=False, max_new_tokens=256)
print(tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0])

or python demo/video_inference.py --model-path junha1125/gaze-attention-qwen3-4b-video --video assets/jobs.mp4 --max-frames 64.

The model was trained with inputs of up to 12,288 tokens (about 80 frames). For more frames load it with overwrite_config={"tokenizer_model_max_length": 24576}.

gaze_topk_ratio (0.1 in this checkpoint) is the fraction of gaze regions that a query attends to. It can be changed when the model is loaded: load_pretrained_model(..., overwrite_config={"gaze_topk_ratio": 0.25}). The generation config of Qwen3 samples by default; pass do_sample=False for reproducible outputs.

Training

StageTrained partsDataLearning rateBatch size
1-1projectorCambrian-Alignment (1.88M samples)1e-3512
1-2projector, context tokensCambrian-Alignment1e-3512
2all (images, TopK ratio 0.6, then 0.1)two 17% subsets of Cambrian-7M (1.17M samples each)1e-5 (vision encoder 2e-6)256
3all (videos, 1 FPS, at most 64 frames)Cambrian-S-3M subset: 776K video samples + 235K text-only samples1e-5 (vision encoder 2e-6)256

Stage 3 uses the progressive TopK schedule (0.9 to 0.1 during the first 60% of the training steps). Recipe: scripts/train/video_384 of the repository.

License

Apache License 2.0. The model is built on Qwen3-4B-Instruct-2507 and SigLIP2 (both Apache 2.0). The training datasets have their own licenses.

Citation

@inproceedings{song2026gazeattention,
  title={Gaze Attention: Query-Adaptive Visual Routing for Efficient Multimodal {LLM}s},
  author={Junha Song and Byeongho Heo and Geonmo Gu and Jaegul Choo and Dongyoon Han and Sangdoo Yun},
  booktitle={Third Conference on Language Modeling (CoLM)},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура cambrian_qwen3 неизвестна transformers в образе рантайма.

Класс архитектуры
CambrianQwen3ForCausalLM
Ревизия весов
03aee49

0 моделей