/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen2_5vl_ca · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
18 дек 2025

CASA-Qwen2_5-VL-3B-LiveCC

Компьютерное зрениеВидео, текст → текст3 профессии

Мультимодальная модель Kyutai для генерации текстовых описаний и субтитров к видео в реальном времени.

2 438скачиваний за 30 дней6лайковвеса обновлены6 сен 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

CASA-Qwen2_5-VL-3B-LiveCC — мультимодальная модель Kyutai для создания субтитров и текстовых описаний видео в реальном времени. Она основана на Qwen2.5-VL-3B-Instruct и дообучена на наборе LiveCC; архитектура использует слои CASA с перекрёстным вниманием для объединения визуальной и языковой информации. Модель содержит 3,1 млрд параметров, работает с видео и текстом и имеет контекст длиной до 128 000 токенов.

Модель предназначена для генерации временно привязанных описаний видеопотока: кадры извлекаются с частотой 2 кадра в секунду, а текст можно выводить как субтитры в момент генерации. В README приведён пример описания животного в естественной среде. Для загрузки используется Transformers с включённым trust_remote_code. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая запрещает коммерческое использование и требует соблюдать условия атрибуции и распространения производных материалов.

Карточка демонстрирует сценарий описания видео, но не сообщает о точности, задержке или качестве на других типах видеоматериалов. Указанный в метаданных английский язык — единственный подтверждённый язык карточки; переносимость на другие языки не установлена.

Сценарии применения

  • генерация субтитров к видео в реальном времени
  • автоматическое описание видеопотока по кадрам
  • создание временно привязанных текстовых комментариев к видео

Ограничения

Карточка демонстрирует описание видео с извлечением кадров на частоте 2 кадра в секунду, но не приводит оценок качества или задержки. Для загрузки требуется trust_remote_code; лицензия CC BY-NC-SA 4.0 не допускает коммерческого использования.

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

CASA-Qwen2_5-VL-3B-LiveCC

This repository contains model weights for CASA-Qwen2_5-VL-3B-LiveCC, a Qwen-2.5VL model adapted from token insertion to a cross-attention-based architecture using CASA layers. It has been further finetuned on the LiveCC dataset for live video captioning.

Please refer to the main model card for more information and instructions to run. We provide model weights for other CASA models in the associated model collection.

Quick Start

Below is a short snippet to show you how to load the model, process inputs, and run inference using the 🤗 transformers library. Note that this model requires trust_remote_code=True.

import torch
from transformers.models.auto.modeling_auto import AutoModel
from transformers.models.auto.processing_auto import AutoProcessor

model_id = "kyutai/CASA-Qwen2_5-VL-3B-LiveCC"
model = AutoModel.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    trust_remote_code=True,
).cuda()
processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
)

conversation = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "path/to/your/image.png",
            },
            {
                "type": "text",
                "text": "Describe this image.",
            },
        ],
    },
]
inputs = processor.tokenize_messages(messages=conversation)
inputs = inputs.to(model.device)
input_len = inputs["input_ids"].shape[1]
output_ids = model.generate_from_image(
  **inputs,
  max_new_tokens=512,
  pre_image_tokens=processor.pre_image_tokens,
  post_image_tokens=processor.post_image_tokens,
  eos_token_id=model.generation_config.eos_token_id,
)[0, input_len:]
response = processor.tokenizer.decode(output_ids, skip_special_tokens=True)
print(response)

Live video Captioning

In our [github repository], we provide a script to caption a video using our CASA-Qwen2_5-VL-3B-LiveCC model and generate the resulting video with subtitles embedded at the actual time they are generated.

Note that you will also need to install ffmpeg for this script to run. The Python dependencies are handled with uv

# Script options
uv run scripts/gen_livecc_subtitles.py --help
# Generation with Qwen2.5VL+CASA
uv run scripts/gen_livecc_subtitles.py --sample_path path_to_video.mp4 --srt True --temp 0.0

Additional qualitative samples are available in the associated HuggingFace space.

Specifically, video frames are extracted at 2fps, and subtitles are displayed in real-time at the timestamp they are generated<

Citation

If you use CASA in your research, please cite our work:

@article{kyutai2025casa,
  author = {Moritz B\"ohle and Am\'elie Royer and Juliette Marrie and Edouard Grave and Patrick P\'erez},
  year = {2025},
  title = {CASA: Cross-Attention over Self-Attention for Efficient Vision-Language Fusion},
  journal = {ArXiv},
  url = {https://arxiv.org/abs/2512.19535}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
V2Qwen2_5VL
Ревизия весов
b3dd9b0

0 моделей