/ Модель

Характеристики

Размер весов
15,5 ГБ
Лицензия
MIT
Архитектура
blip-2 · dense
Опубликована
17 мая 2023

video-blip-opt-2.7b-ego4d

Описание изображенийИзображение → текст3 профессии

VideoBLIP-OPT-2.7B-Ego4D — дообученная на Ego4D модель для генерации текстовых описаний видео и ответов на вопросы по видеосценам.

193скачиваний за 30 дней20лайковвеса обновлены17 мая 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание текста» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

VideoBLIP-OPT-2.7B-Ego4D — видеомодель на основе BLIP-2 с языковой моделью OPT-2.7B, дообученная на Ego4D. Она предназначена для создания текстовых описаний видео и визуальных вопросов и ответов по видеоматериалам. В метаданных указана архитектура VideoBlipForConditionalGeneration и формат PyTorch; карточка отмечает поддержку английского языка. Лицензия — MIT.

Модель связывает визуальную обработку видео с генерацией текста и может применяться для анализа видеосцен и подготовки подписей к роликам. Она унаследовала от OPT риски предвзятости, галлюцинаций и ограниченного разнообразия генерации. В README указано, что модель не проверялась в реальных приложениях и перед практическим использованием требует оценки безопасности и справедливости.

Сценарии применения

  • создание текстовых описаний видеороликов
  • ответы на вопросы о содержимом видео
  • анализ сцен в видео от первого лица

Ограничения

Модель может предвзято генерировать ответы, галлюцинировать и демонстрировать ограниченное разнообразие формулировок. Она не проверялась в реальных приложениях; перед применением следует оценить её безопасность и справедливость для конкретного сценария.

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

VideoBLIP, OPT-2.7b, fine-tuned on Ego4D

VideoBLIP model, leveraging BLIP-2 with OPT-2.7b (a large language model with 2.7 billion parameters) as its LLM backbone.

Model description

VideoBLIP is an augmented BLIP-2 that can handle videos.

Bias, Risks, Limitations, and Ethical Considerations

VideoBLIP-OPT uses off-the-shelf OPT as the language model. It inherits the same risks and limitations as mentioned in Meta's model card.

Like other large language models for which the diversity (or lack thereof) of training data induces downstream impact on the quality of our model, OPT-175B has limitations in terms of bias and safety. OPT-175B can also have quality issues in terms of generation diversity and hallucination. In general, OPT-175B is not immune from the plethora of issues that plague modern large language models.

VideoBLIP has not been tested in real world applications. It should not be directly deployed in any applications. Researchers should first carefully assess the safety and fairness of the model in relation to the specific context they’re being deployed within.

How to use

For code examples, please refer to the official repository.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VideoBlipForConditionalGeneration
Ревизия весов
83865b7

0 моделей