/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
8 дек 2025

MMDuet2

Изображение и текст → текст3 профессии

MMDuet2 — компактная видеомультимодальная модель для своевременных ответов и проактивного общения во время просмотра видео.

287скачиваний за 30 дней3лайкавеса обновлены8 дек 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

MMDuet2 — видеомультимодальная модель для проактивного взаимодействия во время воспроизведения видео. Она может отвечать на реплики пользователя и самостоятельно выбирать подходящие моменты для ответа по ходу видео. Модель разработана авторами проекта MMDuet2 и дообучена на базе Qwen2.5-VL-3B-Instruct с помощью многоходового обучения с подкреплением.

Модель построена на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. Она рассчитана на лёгкую работу и взаимодействие в реальном времени; авторы отмечают, что ответы не должны быть чрезмерно редкими, частыми или повторяющимися. Карточка указывает поддержку английского языка. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы пользователя по ходу воспроизведения видео
  • проактивные комментарии к происходящему в видео
  • интерактивное сопровождение просмотра видео в реальном времени

Ограничения

В предоставленной карточке не описаны ограничения по качеству, длительности видео или условиям эксплуатации. Лицензия в доступных данных не указана.

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

Key Features:

  • MMDuet2 is a Video MLLM for proactive interaction, which means that it can not only reply right after the user's turn, but also at any approprite and timely moment during the video playback.

  • With only a 3B model, MMDuet2 is lightweight and fast for real-time interaction.

  • Responses are neither too sparse nor too dense and repetitive, which was a common issue in previous works.

(Demo Video Here)

Usage

MMDuet2 is post-trained from Qwen2.5-VL-3B-Intruct with enhanced proactive interaction ability.

Though this model can be used in the exact same way as Qwen2.5-VL, we recommend using the demo and evaluation code provided in MMDuet2 Github Repo to experience its ability of actively generating replies while a video is playing online.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
3224235

0 моделей