/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
24 ноя 2025

LongVT-RFT

Компьютерное зрениеВидео, текст → текст3 профессии

LongVT-RFT — мультимодальная модель на базе Qwen2.5-VL для ответов на вопросы и рассуждений по длинным видео.

71скачиваний за 30 дней1лайквеса обновлены4 дек 2025

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 «Изображение → текст» — 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

LongVT-RFT — мультимодальная модель для понимания и рассуждения по длинным видео, разработанная в рамках проекта LongVT. Это версия LongVT, дообученная на основе Qwen2.5-VL-7B-Instruct; она использует архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает видео и текстовые запросы, выдавая текстовые ответы. Контекст модели составляет до 128 000 токенов.

Модель предназначена для ответов на вопросы о содержании длинных видео. Её подход сочетает общий просмотр видео с повторным выделением и более детальным анализом релевантных фрагментов, чтобы обосновывать ответы визуальными свидетельствами. README сообщает о результатах на нескольких бенчмарках понимания и рассуждения по длинным видео, но не приводит здесь полную таблицу результатов.

Модель распространяется под лицензией Apache-2.0. Для воспроизведения инференса и оценки разработчики рекомендуют инструкции и окружение из репозитория проекта. Результаты зависят от корректной настройки обработки видео и следования рекомендуемому сценарию использования.

Сценарии применения

  • ответы на вопросы о событиях в длинном видео
  • поиск нужного эпизода по текстовому вопросу
  • детальный анализ выбранных фрагментов видео
  • понимание последовательности событий в видео
  • оценка систем понимания длинных видео на бенчмарках

Ограничения

Для воспроизведения инференса и оценки README рекомендует использовать инструкции и окружение репозитория проекта. Заявленные преимущества относятся к бенчмаркам длинных видео; приведённый фрагмент карточки не содержит полной таблицы результатов.

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

LongVT: Incentivizing “Thinking with Long Videos” via Native Tool Calling

Data Paper Project Page Github

Overview

Large multimodal models (LMMs) have shown great potential for video reasoning with textual Chain-of-Thought. However, they remain vulnerable to hallucination, especially when processing long-form videos where evidence is sparse and temporally dispersed. Inspired by how humans comprehend long videos-by first skimming globally and then examining relevant clips for details-we introduce LongVT, an end-to-end agentic framework that enables ``Thinking with Long Videos'' via interleaved Multimodal Chain-of-Tool-Thought. Specifically, we exploit LMMs' inherent temporal grounding ability as a native video cropping tool to zoom in on a specific video clip and resample finer-grained video frames.

This global-to-local reasoning loop continues until answers are grounded in retrieved visual evidence. Given the scarcity of fine-grained question-answering (QA) data for the long video reasoning task, we curate and will release a data suite named VideoSIAH to facilitate both training and evaluation. Specifically, our training dataset consists of 247.9K samples for tool-integrated cold-start supervised fine-tuning, 1.6K samples for agentic reinforcement learning, and 15.4K samples for agentic reinforcement fine-tuning, respectively. Our evaluation benchmark consists of 1,280 QA pairs that are carefully curated through a semi-automatic data pipeline with human-in-the-loop validation. With a meticulously designed three-stage training strategy and extensive empirical validation, LongVT consistently outperforms existing strong baselines across four challenging long-video understanding and reasoning benchmarks.

Model Card

The model is the RFT version of the LongVT and was trained on https://huggingface.co/datasets/longvideotool/LongVT-Parquet.

Usage & Evaluation

For detailed instructions on inference and evaluation, please refer to our GitHub repository. We recommend using the scripts and environment provided there to reproduce our results.

Evaluation Results

ModelReasoning PromptTool CallingVideoMME(≈1018s)VideoMMMU(subtitle)VideoMMMU(adaptation)VideoMMMU(comprehension)LVBench(≈4101s)VideoSIAH-Eval(≈1688s)Average Score
Proprietary LMMs
GPT-4o✗✗77.2†66.0†62.0†55.7†30.8†17.451.5
Gemini 1.5 Pro✗✗81.3†59.0†53.3†49.3†33.1†-55.2
Open-Source (Sparse)
Qwen2.5-VL-7B✗✗62.637.328.036.730.728.137.2
Video-R1-7B✓✗61.036.340.752.337.227.942.6
VideoRFT-7B✓✗60.936.742.053.034.726.542.3
Video-Thinker-7B✓✗61.034.344.753.052.210.442.6
LongVT-7B-SFT (Ours)✓✓12.537.746.058.336.026.836.2
LongVT-7B-RL (Ours)✓✓66.132.744.750.037.831.043.7
Open-Source (Dense)
Qwen2.5-VL-7B✗✗64.335.744.356.740.933.846.0
Video-R1-7B✓✗60.537.338.746.340.133.142.7
VideoRFT-7B✓✗49.237.740.748.718.726.937.0
Video-Thinker-7B✓✗60.837.742.755.354.36.642.9
LongVT-7B-SFT (Ours)✓✓64.932.342.049.741.134.844.1
LongVT-7B-RL (Ours)✓✓66.137.742.356.341.435.946.6
LongVT-7B-RFT (Ours)✓✓67.035.743.756.741.342.047.7

Performance Comparison with Existing Video-Centric LMMs across Various Long Video Understanding and Reasoning Benchmarks. The best and second-best result among open-source models in each column is marked in bold and underlined, respectively. The numbers with "≈" denote the average video duration of each benchmark. † indicates results sourced from official reports. Reasoning Prompt indicates whether a standard reasoning-style prompt (✓) or a direct question-answering prompt (✗) is applied; Tool Calling denotes whether native tool calling is enabled (✓) or disabled (✗) in the prompt.

Citation

If you find LongVT useful for your research and applications, please cite using this BibTeX:

@misc{yang2025longvtincentivizingthinkinglong,
      title={LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling}, 
      author={Zuhao Yang and Sudong Wang and Kaichen Zhang and Keming Wu and Sicong Leng and Yifan Zhang and Bo Li and Chengwei Qin and Shijian Lu and Xingxuan Li and Lidong Bing},
      year={2025},
      eprint={2511.20785},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2511.20785}, 
}

Check out this paper: https://arxiv.org/abs/2511.20785

Acknowledgements

We gratefully acknowledge the following open-source projects that made this work possible:

  • lmms-eval for providing the comprehensive evaluation framework for large multimodal models.
  • lmms-engine for the SFT training infrastructure and tools.
  • verl for the reinforcement learning training framework.

We thank the developers and contributors of these projects for their excellent work and for making their code publicly available.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
16ed931

0 моделей