video-SALMONN 2: Captioning-Enhanced Audio-Visual Large Language Models
Official model release of video-SALMONN 2: Captioning-Enhanced Audio-Visual Large Language Models
Характеристики
- Контекст
- 32 768 токенов
- Параметры
- 7,1 млрд
- Размер весов
- 17,4 ГБ
- Лицензия
- Apache 2.0
- Архитектура
- qwen2 · dense
- Базовая модель
- Qwen2-7B
- Библиотека
- transformers
- Опубликована
- 3 июл 2025
Ссылки
video-SALMONN-2
Модель video-SALMONN 2 анализирует аудиовизуальное содержимое видео и отвечает на вопросы о нём текстом.
166скачиваний за 30 дней4лайкавеса обновлены28 сен 2025
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.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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
video-SALMONN 2 — официальная модель Tsinghua EE для понимания аудиовизуального содержимого и создания текстовых ответов по видео. Она объединяет архитектуру Qwen2-7B с компонентами LLaVA-OneVision и Whisper large-v3 и дообучена на данных FineVideo, LLaVA-Video-178K и ShareGPT4Video. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; доступна в формате safetensors и рассчитана на работу через Transformers.
Модель предназначена для диалога о видеороликах и их описания с учётом аудио и визуального содержимого. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. README не приводит подробных результатов оценки или инструкций по развёртыванию.
Сценарии применения
- создание текстовых описаний видеороликов
- ответы на вопросы о содержимом видео
- диалог о сценах и событиях в видео
- анализ видеоролика с учётом речи и других звуков
Ограничения
Опубликованная карточка не приводит количественных оценок качества или подробных ограничений по длительности видео и поддерживаемым сценариям.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиI.10Универсальные способностиВидео, анимация и 3DAI помогает создавать, анализировать и преобразовывать динамический визуальный контент и 3D-сцены.18 задач3 279моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…
- Класс архитектуры
- LlavaAVQwenForCausalLM
- Ревизия весов
- 4a13d74