/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
MIT
Архитектура
aero_realtime · dense
Библиотека
transformers
Опубликована
6 авг 2026

aero-realtime-4B

Компьютерное зрениеВидео, текст → текст3 профессии

Aero Realtime 4B — модель для потокового анализа аудио и видео с синхронизированными текстовыми ответами.

58скачиваний за 30 дней10лайковвеса обновлены13 авг 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

Aero Realtime 4B — плотная мультимодальная модель семейства Aero Realtime от разработчика kcz358 для потокового взаимодействия с аудио и видео. Она обрабатывает аудио, видеокадры и текст в едином авторегрессионном потоке, выравнивая их по времени; языковая голова на каждом аудиослотовом шаге предсказывает текстовый токен или токен тишины. Модель предназначена для анализа аудиовизуальных потоков в реальном времени и выдачи синхронизированных текстовых ответов.

В карточке описаны пакетная обработка видео с аудио чанками по 80 мс и кадрами с частотой 1 кадр/с, а также потоковая подача данных через WebSocket. Для запуска приведены примеры с Transformers и vLLM-Omni, включая распределение модели на несколько GPU. Репозиторий содержит веса Safetensors, лицензия — MIT. Размер 4B указан в названии чекпойнта; подробности о языковой поддержке и нативной длине контекста в карточке не приведены.

Сценарии применения

  • потоковый анализ видео вместе с аудиодорожкой
  • генерация текстовых ответов по аудиовизуальному потоку в реальном времени
  • вывод синхронизированных текстовых и аудиособытий по временным интервалам
  • обработка видео с аудио чанками через WebSocket

Ограничения

Для запуска потокового движка требуются настроенное окружение vLLM-Omni и внешние ресурсы; README указывает, что подготовка окружения и данных остаётся за пользователем. Языковая поддержка и длина контекста в доступных сведениях не описаны.

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

Aero Realtime

Aero Realtime is a native proactive audio-video language model whose input and output share one aligned autoregressive stream. The released 4B checkpoint is available at kcz358/aero-realtime-4B.

Realtime Interaction

Comparison of realtime multimodal architectures

Turn-based models separate input prefill from output decoding. Micro-turn systems shorten that boundary but repeatedly restart interaction. Aero Realtime instead advances audio, video, silence, and lexical output on one causal clock.

Model Architecture

Aero Realtime model architecture

Each approximately 80 ms audio slot is fused with the preceding output token. The language-model head predicts either the next lexical token or the learned silence token, jointly modeling when and what to generate.

Examples

Offline video demo

Run the bundled 60-second video through the realtime engine. The script feeds 80-ms audio chunks and 1-fps video frames in timestamp order and writes the per-interval outputs to results/offline_demo.jsonl.

python examples/offline/demo.py \
  --model kcz358/aero-realtime-4B \
  --deploy-config /path/to/vllm-omni/vllm_omni/deploy/aero_realtime.yaml

Pass --video /path/to/video.mp4 to use another video. Add --tensor-parallel-size N when the model should span multiple GPUs.

Online WebSocket demo

Start the online server in the first terminal. It keeps one Aero generation session alive and accepts chunkwise audio/video input over WebSocket.

python examples/online/server.py \
  --model kcz358/aero-realtime-4B \
  --deploy-config /path/to/vllm-omni/vllm_omni/deploy/aero_realtime.yaml \
  --port 8090

In a second terminal, stream the bundled video at its original wall-clock rate:

python examples/online/client.py --video assets/demo.mp4

Use --url ws://HOST:8090/v1/aero/realtime when the server runs remotely. For B200 inference, add --mm-encoder-attn-backend TRITON_ATTN to the server command.

Interactive 4B outputs, including seekable video, chunked audio waveforms, and per-slot silence/lexical predictions, are available on the project website. You can also try the model directly in this HF Space demo.

Training

Training uses the main branch of LMMs-Engine. The two-stage 4B configs and launcher are under scripts/train/.

export AERO_WORKSPACE=/path/to/aero-workspace
bash scripts/train/launch.sh stage1
export AERO_STAGE1_MODEL=/path/to/merged-stage1
bash scripts/train/launch.sh stage2

The workspace must contain the dataset and initialization paths referenced by the YAML files. The launcher only starts training; environment and data setup remain external.

Evaluation

Evaluation uses the main branch of LMMs-Eval and the shard runner under scripts/eval/.

export AERO_MODEL_PATH=kcz358/aero-realtime-4B
export AERO_OUTPUT_DIR=$PWD/results/ovobench
bash scripts/eval/launch.sh

See scripts/eval/README.md for sharding and hardware overrides.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура aero_realtime неизвестна transformers в образе рантайма.

Класс архитектуры
AeroRealtimeForConditionalGeneration
Ревизия весов
f69c337

0 моделей