Компьютерное зрениеВидео, текст → текст3 профессии
Компактная MLX-версия SmolVLM2 для ответов на текстовые запросы о видео и генерации текстовых описаний.
205скачиваний за 30 дней5лайковвеса обновлены20 фев 2025
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
Это 8-битная MLX-версия мультимодальной модели SmolVLM2-500M-Video-Instruct, подготовленная сообществом mlx-community на основе HuggingFaceTB/SmolVLM2-500M-Video-Instruct. Архитектура SmolVLM предназначена для обработки видео по текстовым запросам и генерации текстовых ответов; модель поддерживает диалоговый сценарий. Карточка указывает преобразование в формат MLX с помощью mlx-vlm 0.1.13 и пропуск vision-компонента; в метаданных также указано семейство SmolVLM и класс SmolVLMForConditionalGeneration.
Модель подходит для вопросов о содержимом видео и кратких текстовых описаний видеоматериалов. В метаданных указан английский язык, а также датасеты The Cauldron и Docmatix. Репозиторий опубликован по лицензии Apache-2.0. Конкретный размер контекста и точное число параметров этой версии в предоставленных данных не приведены.
Сценарии применения
ответы на вопросы о содержимом видео
краткое описание видеороликов
извлечение событий и деталей из видео по запросу
Ограничения
Это сообщественный 8-битный MLX-вариант с пропуском vision-компонента, поэтому поведение может отличаться от исходной модели; README отсылает к карточке исходной модели за подробностями. В предоставленных данных нет сведений о длине контекста и оценках качества.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель