/ Модель

Характеристики

Контекст
8 192 токена
Размер весов
6 ГБ
Лицензия
CC BY-NC-SA 4.0
Архитектура
llava_onevision · dense
Библиотека
transformers
Опубликована
14 окт 2025

TowerVideo-2B

Компьютерное зрениеВидео, текст → текст7 профессий

TowerVideo-2B — мультимодальная модель для анализа видео и изображений, ответов на вопросы и генерации многоязычного текста.

106скачиваний за 30 дней3лайкавеса обновлены28 окт 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.

  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

TowerVideo-2B — мультимодальная языковая модель семейства TowerVision от utter-project. Она принимает текст, изображения и видео и генерирует текст; архитектура объединяет Tower-Plus на 2 млрд параметров с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Модель поддерживает контекст до 8192 токенов и предназначена для многоязычного описания и понимания визуального содержимого, ответов на вопросы, суммаризации и перевода с учетом контекста изображения или видео.

Модель обучена на видео- и текстовой части набора VisionBlocks, включающей видеоданные LLaVA-Video. В карточке заявлена поддержка более 20 языков и диалектов; среди перечисленных — английский, немецкий, испанский, французский, китайский, японский, хинди, русский и украинский. Для запуска авторы рекомендуют точность bfloat16. Лицензия CC-BY-NC-SA-4.0 разрешает использование на некоммерческих условиях с атрибуцией и распространением производных материалов на тех же условиях.

Сценарии применения

  • ответы на вопросы о содержании видео
  • краткий пересказ видеоролика
  • описание изображений на разных языках
  • перевод визуального содержимого с учетом контекста
  • понимание культурных особенностей изображений и видео

Ограничения

Лицензия CC-BY-NC-SA-4.0 ограничивает использование некоммерческими условиями. Для запуска авторы рекомендуют bfloat16; в карточке не приведены конкретные показатели качества по отдельным задачам.

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

Model Card for TowerVideo

TowerVision is a family of open-source multilingual vision-language models with strong capabilities optimized for a variety of vision-language use cases, including image captioning, visual understanding, summarization, question answering, and more. TowerVision excels particularly in multimodal multilingual translation benchmarks and culturally-aware tasks, demonstrating exceptional performance across 20 languages and dialects.

This model card covers the TowerVision family, including the 2B and 9B parameter versions, both in their instruct-tuned (it) and pretrained (pt) variants, with the latter not undergoing instruction tuning.

  • Model Family: TowerVision (2B, 9B variants)
  • Context length: 8192 tokens
  • Languages: 20+ languages including European, Asian, and other language families

🌟 Try TowerVision: Project Page | Code Repository

Available Models

ModelParametersHF Link
TowerVideo-2B2B🤗 utter-project/TowerVision-2B
TowerVideo-9B9B🤗 utter-project/TowerVision-9B

How to Use TowerVision

Quick Start with Transformers

import torch
from transformers import AutoProcessor, LlavaOnevisionForConditionalGeneration

# Load the model in half-precision
model = LlavaOnevisionForConditionalGeneration.from_pretrained(
    "utter-project/TowerVideo-2B", 
    device_map="auto"
)

processor = AutoProcessor.from_pretrained(
    "utter-project/TowerVideo-2B"
)

# Use your local video
video_path = "your_video_path.mp4"

# Conversation using the same template
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "video", "path": video_path},
            {"type": "text", "text": "\n<video>\nIWhat is the video about?"},
        ],
    },
]

# Apply the chat template
inputs = processor.apply_chat_template(
    conversation,
    num_frames=8,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    add_special_tokens=True,  # ensures <video> token is inserted
    return_tensors="pt"
).to(model.device, torch.float16)

# Generate response
out = model.generate(**inputs, max_new_tokens=60)

# Decode output
decoded = processor.batch_decode(
    out, 
    skip_special_tokens=True, 
    clean_up_tokenization_spaces=True
)

print(decoded)

Model Details

Input: Model accepts input text, images and video.

Output: Model generates text in multiple languages.

Model Architecture: TowerVideo uses a multilingual image-language model based on Tower-Plus (2B and 9B parameters), paired with SigLIP2-patch14-384 vision encoder through a multimodal adapter for vision-language understanding.

Recommended Precision: We recommend using bfloat16 precision for optimal performance and memory efficiency when running TowerVision models.

Languages Covered: The model has been trained on 20 languages and dialects:

  • European languages: English, German, Dutch, Spanish, French, Portuguese, Italian, Polish, Czech, Romanian, Norwegian (Bokmål & Nynorsk)
  • Asian languages: Chinese (Simplified & Traditional), Japanese, Korean, Hindi
  • Other languages: Russian, Ukrainian

Key Strengths:

  • 🏆 Exceptional performance on culturally-aware benchmarks with deep understanding of cultural contexts and visual nuances
  • 📊 Strong cross-lingual transfer capabilities across diverse vision-language tasks

Training Data

TowerVision models are trained on a video/text subset of VisionBlocks, a comprehensive multilingual vision-language dataset comprising 6.31M samples across diverse categories:

DatasetSamplesHF Link
VisionBlocks6.31M🤗 utter-project/VisionBlocksComing Soon

Dataset Statistics

  • Total samples: 6.31M
  • Created by our team: 1.21M samples (~19%)
  • Human-collected/external: 5.10M samples (~81%)

Dataset Composition Overview

VisionBlocks contains samples across multiple categories with both English-only (63.1%) and multilingual (36.9%) data:

  • Chart/Plot Reasoning: DVQA, ChartQA, PlotQA, TabMWP (~405K samples)
  • General VQA: VQAv2, RLAIF-4V (~488K samples)
  • Document VQA: DocVQA, TextVQA, ST-VQA, PixMo-Docs (~46K samples)
  • Reasoning/Knowledge: A-OKVQA, OKVQA, AI2D, ScienceQA (~29K samples)
  • Multilingual/Cultural: Pangea-Cultural, Pangea-Multi, PixMo-Cap-Translated, CulturalGround datasets (~1.6M samples)
  • Specialized VQA: IconQA, InfographicVQA, Stratos (~34K samples)
  • Counting/Math: TallyQA, PixMo-Count (~107K samples)
  • Vision/Text: VBlocks-PixMo collections, EuroBlocks-SFT (~2.2M samples)
  • Video/Text: LLaVA-Video collections (~1.4M samples)

Collection Types: Human-annotated, synthetically generated, and professionally translated data ensuring high quality and cultural diversity across 20+ languages.

Evaluation

All evaluations were conducted using lmms_eval.

Multiple Purpose Multimodal Benchmarks

TowerVision demonstrates strong performance across diverse multimodal evaluation benchmarks:

Multimodal Multilingual Translation Tasks

TowerVision excels particularly in multimodal multilingual translation benchmarks, demonstrating state-of-the-art cross-lingual visual communication capabilities:

Supported Languages Performance

✅ Fully Supported: English, German, Dutch, Spanish, French, Portuguese, Italian, Polish, Czech, Romanian, Norwegian, Chinese, Japanese, Korean, Hindi, Russian, Ukrainian

📊 Benchmark Coverage: Our models are evaluated across diverse multilingual vision-language tasks, demonstrating strong cross-lingual transfer capabilities and exceptional performance in culturally-aware benchmarks.

Citation

If you find TowerVideo useful in your research, please consider citing the following paper:

@misc{viveiros2025towervisionunderstandingimprovingmultilinguality,
      title={TowerVision: Understanding and Improving Multilinguality in Vision-Language Models}, 
      author={André G. Viveiros and Patrick Fernandes and Saul Santos and Sonal Sannigrahi and Emmanouil Zaranis and Nuno M. Guerreiro and Amin Farajian and Pierre Colombo and Graham Neubig and André F. T. Martins},
      year={2025},
      eprint={2510.21849},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2510.21849}, 
}

Model Card Contact

For errors or additional questions about details in this model card, contact the research team.

Acknowledgments

TowerVision builds upon the excellent work of:

  • LLaVA-NeXT for the foundational vision-language architecture
  • Tower-Plus language models for multilingual capabilities
  • SigLIP2 for robust vision encoding
  • The broader multilingual NLP and multimodal communities

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaOnevisionForConditionalGeneration
Ревизия весов
5247229

0 моделей