/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
CC BY-SA 4.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
10 авг 2026

VDC-Agent-7B

Компьютерное зрениеВидео, текст → текст7 профессий

Мультимодальная модель на базе Qwen2.5-VL-7B для создания подробных текстовых описаний видео.

54скачиваний за 30 дней0лайковвеса обновлены10 авг 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 «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

VDC-Agent-7B — мультимодальная модель для создания подробных описаний видео, представленная вместе со статьёй ECCV 2026. Она дообучена на Qwen2.5-VL-7B-Instruct с использованием набора предпочтений VDC-Agent-19K, включающего около 19 тысяч пар для обучения подробному описанию видео. Модель принимает видео и формирует текстовые подписи, уделяя внимание деталям содержания.

Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и формат safetensors. Контекстное окно составляет 128 000 токенов. В метаданных указан английский язык. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • создание подробных подписей к видео
  • описание сцен и событий в видеоролике
  • подготовка текстовых описаний видеоматериалов для каталога
  • извлечение визуальных деталей из видео в текст

Ограничения

В README не приведены количественные оценки качества или сведения о сравнении с другими моделями. Описанное обучение ориентировано на подробное описание видео; применимость к другим задачам не установлена.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VDC-Agent-7B

Model released with our ECCV 2026 paper VDC-Agent: When Video Detailed Captioners Evolve Themselves via Agentic Self-Reflection.

VDC-Agent-7B is a video detailed captioning model fine-tuned from Qwen2.5-VL-7B-Instruct on our preference dataset VDC-Agent-19K.

Quick Start

Usage is the same as Qwen2.5-VL. Example for detailed video captioning:

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "qwangcv/VDC-Agent-7B", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("qwangcv/VDC-Agent-7B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": "file:///path/to/video.mp4",
            },
            {"type": "text", "text": "Describe the video in detail."},
        ],
    }
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=1024)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text[0])

Training Data

Acknowledgement

We sincerely thank the Qwen team for releasing the excellent Qwen2.5-VL models, which make this work possible.

Citation

If you find this model useful, please consider citing our paper:

@article{vdcagent,
  title={VDC-Agent: When Video Detailed Captioners Evolve Themselves via Agentic Self-Reflection},
  author={Wang, Qiang and Gao, Xinyuan and He, Yuhang and Han, Jizhou and Li, Jiangyang and Dong, Songlin and Ma, Zhiheng and Gong, Yihong},
  journal={arXiv preprint arXiv:2511.19436},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
d524913

0 моделей