/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
viclip · dense
Библиотека
transformers
Опубликована
25 авг 2026

ViCLIP-L-14-BVD-V-50M-s50M-b32K

Классификация видеоВидео → label5 профессий

Видеоязычная ViCLIP-модель для классификации видео без дообучения, поиска видео по тексту и обучения видеопредставлений.

18скачиваний за 30 дней1лайквеса обновлены31 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

ViCLIP-L-14-BVD-V-50M-s50M-b32K — видеоязыковая модель семейства ViCLIP от LAION, основанная на архитектуре ViT-L/14. Она обучена на 50 млн пар видео и текста из набора BVD-V-50M и доступна через Transformers. Модель предназначена для классификации видео без дообучения, поиска соответствий между видео и текстом и изучения визуальных представлений видео.

Её можно применять для линейного зондирования и дообучения под задачи классификации, строить системы поиска видео по текстовым запросам и использовать как компонент мультимодальных моделей. В README приведены результаты на Kinetics-400, UCF-101, HMDB51, MSR-VTT и MSVD. Лицензия — MIT.

Разработчики позиционируют модель для исследований возможностей zero-shot-классификации видео, поиска видео по тексту и обобщения видеоязыковых моделей. Она рассчитана только на английский язык; авторы исключают применение для наблюдения и распознавания лиц, а также неконтролируемое развёртывание без проверки на целевых данных.

Сценарии применения

  • классификация видео по текстовому описанию без дообучения
  • поиск видео по текстовому запросу
  • поиск текстового описания по видео
  • оценка видеопредставлений на задачах классификации
  • извлечение видеопризнаков для мультимодальной модели

Ограничения

Модель рассчитана только на английский язык. README не рекомендует применять её для наблюдения и распознавания лиц или развёртывать без тщательной проверки на целевых данных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ViCLIP-L-14-BVD-V-50M-s50M-b32K

Table of Contents

  1. Model Details
  2. Uses
  3. Training Details
  4. Evaluation
  5. How to Get Started with the Model
  6. Citation

Model Details

ViCLIP ViT-L/14 trained on the BVD-V-50M dataset with 50M video-text pairs.

Model Architecture: ViCLIP with ViT-L/14 vision tower. The vision and text encoders are both initialized from https://huggingface.co/laion/CLIP-ViT-L-14-DataComp.XL-s13B-b90K.

HF Transformers: The model is directly usable via AutoModel, AutoTokenizer and AutoVideoProcessor from HF Transformers.


Uses

This model is intended for research purposes. We hope it enables researchers to better understand and explore zero-shot video classification, video-text retrieval, and generalisation capabilities of video-language models.

Direct Use

  • Zero-shot video classification
  • Video-text retrieval
  • Video representation learning

Downstream Use

  • Linear probing and full fine-tuning for various video classification tasks
  • Video retrieval systems
  • Component for multimodal models (e.g., VLMs)

Out-of-Scope Use

  • Surveillance and facial recognition applications
  • Undeployed or unconstrained deployment without thorough in-domain testing
  • Any language other than English

Training Details

Training Data

Trained on the BVD-V-50M dataset.

Training Procedure

  • Model: ViCLIP L/14
  • Frames per video 8
  • Resolution: 224×224
  • Samples: 50M samples seen
  • Optimizer: AdamW (lr=4e-5, betas=[0.9, 0.98], weight_decay=0.2)
  • Global batch size: 32000
  • Warmup: 100 steps
  • Learning Rate Scheduler: Cosine annealing

Evaluation

Evaluated using the CLIP Benchmark video.

Results

Kinetics-400 top-1 accuracyUCF-101 top-1 accuracyHMDB51 top-1 accuracyMSR-VTT video/text retrieval recall@1MSVD video/text retrieval recall@1
63.379.761.442.8 / 43.253.7 / 83.9

How to Get Started with the Model

Quickstart with HF Transformers

import torch
import torch.nn.functional as F
from transformers import AutoModel, AutoTokenizer, AutoVideoProcessor

model = AutoModel.from_pretrained("laion/ViCLIP-L-14-BVD-V-50M-s50M-b32K", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("laion/ViCLIP-L-14-BVD-V-50M-s50M-b32K", trust_remote_code=True)
video_processor = AutoVideoProcessor.from_pretrained("laion/ViCLIP-L-14-BVD-V-50M-s50M-b32K", trust_remote_code=True)

video = video_processor("path/to/video.mp4")

labels = ["a person playing basketball", "a person swimming", "a person running"]
text_tokens = tokenizer(labels, padding="max_length", truncation=True, max_length=77, return_tensors="pt")

with torch.no_grad():
    v_feat = model.get_video_features(video["pixel_values_videos"])
    t_feat = model.get_text_features(text_tokens["input_ids"])

logits = 100.0 * v_feat @ t_feat.t()
probs = logits.softmax(dim=-1)
print("Label probs:", probs)

Citation

@misc{laionbvd2026,
      title={LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training}, 
      author={Andreas Hochlehnert and Marianna Nezhurina and Mehdi Cherti and Andrej Radonjic and Thaddäus Wiedemer and Christoph Schuhmann and Romain Beaumont and Wieland Brendel and Bernhard Schölkopf and A. Sophia Koepke and Jenia Jitsev and Matthias Bethge},
      year={2026},
      eprint={2608.24845},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2608.24845}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Нельзя запустить

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

Класс архитектуры
ViCLIPModel
Ревизия весов
a88d16e

0 моделей