/ Модель

Характеристики

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

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

Классификация видеоВидео → label4 профессии

Исследовательская видеоязыковая модель ViCLIP для классификации видео по текстовым описаниям и поиска видео по тексту.

1 080скачиваний за 30 дней4лайкавеса 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-WiSE-FT — модель сопоставления видео и текста на архитектуре ViCLIP с визуальным энкодером ViT-L/14. Её разработчик — LAION; модель получена слиянием чекпойнта ViCLIP-L-14-BVD-V-50M-s50M-b32K и инициализационного чекпойнта CLIP-ViT-L-14-DataComp.XL-s13B-b90K с коэффициентом WiSE-FT α = 0,1. Она обучена на BVD-V-55M и доступна через Transformers.

Модель предназначена для исследовательских экспериментов с классификацией видео без дообучения, поиском соответствия между видео и текстом, изучением представлений видео, а также как основа для линейного пробинга или дообучения под прикладные задачи. В README приведены результаты на Kinetics-400, UCF-101, HMDB51, MSR-VTT и MSVD. Поддерживается английский язык; применение для других языков выходит за рамки заявленного назначения. Модель не предназначена для наблюдения и распознавания лиц, а перед внедрением требуется тщательная проверка на целевых данных. Лицензия — MIT.

Сценарии применения

  • Классификация видео по текстовым категориям без дообучения
  • Поиск видео по текстовому запросу
  • Поиск текстовых описаний, соответствующих видео
  • Извлечение представлений видео для последующего анализа
  • Дообучение классификатора видео на целевом наборе данных

Ограничения

Модель рассчитана на английский язык и не предназначена для задач наблюдения или распознавания лиц. Для внедрения в прикладной системе требуется тщательная проверка на данных целевой области.

Для каких профессий подходит4

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

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

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

This model is a checkpoint merge between ViCLIP-L-14-BVD-V-50M-s50M-b32K and its image-only initialization checkpoint CLIP-ViT-L-14-DataComp.XL-s13B-b90K with a WiSE-FT coefficient $\alpha = 0.1$.

Model Architecture: ViCLIP with ViT-L/14 vision tower.

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-55M 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 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
64.379.961.044.6 / 43.754.5 / 84.6

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-WiSE-FT", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("laion/ViCLIP-L-14-BVD-V-50M-s50M-b32K-WiSE-FT", trust_remote_code=True)
video_processor = AutoVideoProcessor.from_pretrained("laion/ViCLIP-L-14-BVD-V-50M-s50M-b32K-WiSE-FT", 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
febfb7b

0 моделей