/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15 ГБ
Лицензия
Своя лицензия
Архитектура
eagle_QwenG · dense
Базовая модель
Qwen2-7B-Instruct
Библиотека
transformers
Опубликована
17 июл 2025

VideoITG-8B

Изображение и текст → текст3 профессии

Мультимодальная модель NVIDIA для понимания видео, временной привязки инструкций и выбора релевантных кадров.

676скачиваний за 30 дней11лайковвеса обновлены13 авг 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

VideoITG-8B — мультимодальная модель NVIDIA для понимания видео и выбора информативных кадров с учётом инструкций пользователя. Она объединяет Qwen2-7B-Instruct и визуальную модель SigLIP SoViT-400m и дообучена для instructed temporal grounding — сопоставления инструкций с нужными моментами видео. Модель имеет 7,1 млрд параметров, использует архитектуру EagleQwenG и поддерживает контекст до 32 768 токенов.

Модель предназначена для анализа видеосцен, где важно учитывать временную последовательность и находить кадры, связанные с вопросом или инструкцией. Её можно подключать к существующим видеоязыковым моделям для улучшения выбора кадров и ответов на вопросы о видео. Основной язык — английский, также заявлена частичная многоязычная поддержка.

В метаданных указан формат safetensors и библиотека Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнять в карточке модели. В README приведены результаты на видеобенчмарках, но таблица не содержит прямых метрик для VideoITG-8B.

Сценарии применения

  • выбор ключевых кадров видео по текстовой инструкции
  • ответы на вопросы о содержании и последовательности событий в видео
  • поиск нужного момента видео по описанию
  • улучшение выбора кадров в видеоязыковой модели

Ограничения

Многоязычная поддержка заявлена как частичная, при этом основным языком является английский. README не приводит отдельных оценок качества VideoITG-8B на перечисленных бенчмарках; лицензия указана как other без подробных условий в предоставленных данных.

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

VideoITG-8B

[🌐Homepage] [💻GitHub] [📜Tech Report] [🤗VideoITG-40K]

Introduction

VideoITG-8B is a multimodal video understanding model trained with instructed temporal grounding, equipped with the ability to enhance Video Large Language Models through intelligent frame selection. The model tackles the complexities of real-world video scenarios by aligning frame sampling with user instructions. Please check our paper for more details.

Model Details

  • Model name: VideoITG-8B
  • Architecture: Customized Eagle-8B base model, fine-tuned with Instructed Temporal Grounding
  • Model type: Multimodal Large Language Model with Video Understanding
  • Languages: English (primary), multilingual (partially)

Model Performance

ModelBase ModelFramesLongVideoBenchMLVUVideoMMECG-Bench
VideoITG-7BInternVL2.5-8B3261.9 (+2.9%)75.0 (+7.8%)67.3 (+4.0%)46.7 (+7.0%)
VideoITG-7BInternVL2.5-26B3263.0 (+1.0%)78.9 (+6.1%)69.9 (+2.5%)48.7 (+6.0%)
VideoITG-7BLLaVA-Video-7B3261.6 (+3.6%)74.6 (+8.6%)66.1 (+3.0%)42.8 (+9.0%)
VideoITG-7BLLaVA-Video-7B6460.9 (+7.4%)76.3 (+7.6%)66.4 (+1.9%)42.9 (+8.1%)

Key Features

  • Instructed Temporal Grounding: Intelligently selects video frames based on user instructions
  • Plug-and-Play: Seamlessly integrates with existing video language models
  • Superior Temporal Understanding: Excels in tasks requiring precise temporal grounding

License

Citation

If you find this project useful, please cite our work:

@article{wang2025videoitg,
  title     = {VideoITG: Multimodal Video Understanding with Instructed Temporal Grounding},
  author    = {Shihao Wang and Guo Chen and De-An Huang and Zhiqi Li and Minghan Li and Guilin Liu and Jose M. Alvarez and Lei Zhang and Zhiding Yu},
  journal   = {arXiv preprint arXiv:2507.13353},
  year      = {2025}
}

Acknowledgement

  • Eagle: The codebase we built upon
  • LMMs-Eval: Many thanks to the LMMs-Lab for the easy-to-use evaluation tools
  • LLaVA-OneVision and LLaVA-Video: We train our models with data from these great open-source projects

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура eagle_QwenG неизвестна transformers в образе рантайма.

Класс архитектуры
EagleQwenG
Ревизия весов
18ab80c

0 моделей