/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
vila · dense
Библиотека
transformers
Опубликована
22 авг 2025

omnivinci

Генерация текстаТекст → текст4 профессии

OmniVinci — мультимодальная модель NVIDIA на базе VILA для анализа изображений, видео и аудио, а также извлечения признаков.

491скачиваний за 30 дней179лайковвеса обновлены23 фев 2026

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 «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

OmniVinci — исследовательский проект NVIDIA по созданию омнимодальных больших языковых моделей. Модель построена на архитектуре VILA и предназначена для понимания видео, изображений и аудио, а также для диалогового взаимодействия и рассуждений. В карточке Hugging Face основная задача обозначена как извлечение признаков; README также описывает сценарии мультимодального понимания и примеры работы через Transformers.

Модель принимает визуальные, аудио- и текстовые данные и поддерживает работу с видео со звуком. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. В README проект назван исследовательским; конкретные ограничения по качеству или поддерживаемым языкам не приведены.

Сценарии применения

  • извлечение признаков из мультимодальных данных
  • ответы на вопросы по изображениям
  • понимание видео со звуковой дорожкой
  • анализ аудио и визуальных сцен
  • диалоговое рассуждение по мультимодальным входам

Ограничения

Поддерживаемые естественные языки и количественные ограничения модели в доступных сведениях не описаны. Проект представлен как исследовательский, поэтому заявленные авторами сравнительные результаты следует оценивать по конкретным бенчмаркам.

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

OmniVinci: Enhancing Architecture and Data for Omni-Modal Understanding LLM

Paper Code Model Website

Introduction

OmniVinci is an NVIDIA research project focused on exploring omni-modal LLMs that can not only see and read but also listen, speak, and reason.

We are among the best omni-modality understanding models. Check out our performance on some of the most popular omni-modality, audio, and vision benchmarks:

Quickstart

Below, we provide simple examples to show how to use our model with Transformers.

Environment Setup

  1. Download and navigate to the HuggingFace repository:
huggingface-cli download nvidia/omnivinci --local-dir ./omnivinci --local-dir-use-symlinks False
cd ./omnivinci
  1. Install Python environment (based on NVILA codebase):
bash ./environment_setup.sh omnivinci

🤗 Transformers Usage

Video (with Audio) Inference Example

from transformers import AutoProcessor, AutoModel, AutoConfig,AutoModelForCausalLM
import torch
import os

# default: Load the model on the available device(s)
model_path = "./"
video_path = "xxx.mp4"
generation_kwargs = {"max_new_tokens": 1024, "max_length": 99999999}
load_audio_in_video = True
num_video_frames = 128
audio_length = "max_3600"

config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)

model = AutoModel.from_pretrained(model_path,
                                  trust_remote_code=True,
                                  torch_dtype="torch.float16",
                                  device_map="auto")

processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
generation_config = model.default_generation_config
generation_config.update(**generation_kwargs)

model.config.load_audio_in_video = load_audio_in_video
processor.config.load_audio_in_video = load_audio_in_video
if num_video_frames > 0:
    model.config.num_video_frames = num_video_frames
    processor.config.num_video_frames = num_video_frames
if audio_length != -1:
    model.config.audio_chunk_length = audio_length
    processor.config.audio_chunk_length = audio_length


conversation = [{
        "role": "user",
        "content": [
            {"type": "video", "video":video_path},
            {"type": "text", "text": "Assess the video, followed by a detailed description of its video and audio contents."}
        ]
}]
text = processor.apply_chat_template(conversation, tokenize=False, add_generation_prompt=True)

inputs = processor([text])

output_ids = model.generate(
    input_ids=inputs.input_ids,
    media=getattr(inputs, 'media', None),
    media_config=getattr(inputs, 'media_config', None),
    generation_config=generation_config,
)
print(processor.tokenizer.batch_decode(output_ids, skip_special_tokens=True))
  • For audio and image inference examples, please refer to example_mini_audio.py and example_mini_image.py.

License / Terms of Use

The model is released under the NVIDIA OneWay Noncommercial License.

Citation

Please consider to cite our paper and this framework, if they are helpful in your research.

@article{ye2025omnivinci,
  title={OmniVinci: Enhancing Architecture and Data for Omni-Modal Understanding LLM},
  author={Ye, Hanrong and Yang, Chao-Han Huck and Goel, Arushi and Huang, Wei and Zhu, Ligeng and Su, Yuanhang and Lin, Sean and Cheng, An-Chieh and Wan, Zhen and Tian, Jinchuan and others},
  journal={arXiv preprint arXiv:2510.15870},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VILAForCausalLM
Ревизия весов
7b3777b

0 моделей