/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
3 июл 2024

Tarsier-34b

Генерация текстаТекст → текст3 профессии

Tarsier-34b — видеоязыковая модель для генерации описаний видео и ответов на вопросы о его содержании.

62скачиваний за 30 дней19лайковвеса обновлены5 июл 2024

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

Tarsier-34b — открытая крупная видеоязыковая модель, предназначенная прежде всего для описания видео и понимания его содержания. Модель обучена в июне 2024 года и рассчитана на исследователей и энтузиастов в области компьютерного зрения, обработки естественного языка и машинного обучения.

Модель использует двухэтапное обучение: предварительное многозадачное обучение на 13 млн примеров и настройку по инструкциям на 500 тыс. примеров. При обучении замораживалась ViT, а проекционный слой и LLM обучались. В README заявлены результаты уровня SOTA на шести открытых бенчмарках; оценивание включало описание видео и видеовопросы-ответы. Метаданные указывают pipeline text-generation, поддержку чата и формат safetensors. Лицензия — Apache-2.0.

Модель подходит для генерации описаний роликов и ответов на вопросы о видео. README обозначает её как исследовательскую, но не приводит ограничений по длительности видео, контексту или языкам, поэтому эти характеристики здесь не уточняются.

Сценарии применения

  • генерация текстового описания видеоролика
  • ответы на вопросы о событиях и действиях в видео
  • оценка понимания видео в исследовательских экспериментах

Ограничения

README не сообщает пределы длительности входного видео, длину контекста и поддерживаемые языки. Заявление о результатах уровня SOTA относится к указанным в карточке открытым бенчмаркам.

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

Tarsier Model Card

Model details

Model type: Tarsier-34b is an open-source large-scale video-language models, which is designed to generate high-quality video descriptions, together with good capability of general video understanding (SOTA results on 6 open benchmarks).

Model date: Tarsier-34b was trained in June 2024.

Paper or resources for more information:

License

NousResearch/Nous-Hermes-2-Yi-34B license.

Where to send questions or comments about the model: https://github.com/bytedance/tarsier/issues

Intended use

Primary intended uses: The primary use of Tarsier is research on large multimodal models, especially video description.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training dataset

Tarsier tasks a two-stage training strategy.

  • Stage-1: Multi-task Pre-training on 13M data
  • Stage-2: Multi-grained Instruction Tuning on 500K data

In both stages, we freeze ViT and train all the parameters of projection layer and LLM.

Evaluation dataset

How to Use

see https://github.com/bytedance/tarsier?tab=readme-ov-file#usage

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
a551ac4

0 моделей