/ Модель

Характеристики

Библиотека
transformers
Опубликована
26 июл 2026

nvila8b-hd-highframe-v2-filter1515

Компьютерное зрениеВидео, текст → текст

Исследовательский чекпойнт NVILA-8B-HD-Video для генерации ответов на текстовые запросы по видео с разреженным отбором визуальных токенов AutoGaze.

0скачиваний за 30 дней0лайковвеса обновлены26 июл 2026

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

NVILA-8B HD High-Frame v2 (filter 0.15/0.15) — исследовательский чекпойнт видео-языковой модели NVILA-8B-HD-Video, дообученный с отбором визуальных токенов AutoGaze. Модель принимает видео и текстовые запросы и предназначена для генерации текстовых ответов по видеосодержимому, включая открытые вопросы и задачи с выбором ответа.

В модели около 8,1 млрд параметров; веса представлены в BF16 в формате safetensors. Входные кадры кодируются с разреженными визуальными токенами, сохраняющими временные метки и координаты патчей. Лимит последовательности при обучении составлял 16 384 токена, а конфигурация задаёт 32 768 текстовых позиций. Для инференса требуются пользовательский код NVILA и runtime AutoGaze; обычного вызова процессора Transformers недостаточно для формирования входа видео.

Это промежуточный исследовательский чекпойнт на шаге 1400, а не финальный релиз. Результаты других чекпойнтов нельзя переносить на него; качество и число визуальных токенов зависят от политики выбора кадров и тайлов. Лицензия в предоставленных материалах не указана.

Сценарии применения

  • ответы на открытые вопросы по видеозаписи
  • выбор правильного варианта в вопросах по видео
  • анализ последовательности событий в видео
  • понимание временных меток и расположения объектов в кадрах

Ограничения

Это промежуточный чекпойнт, и результаты других версий модели к нему неприменимы. Для инференса нужен пользовательский код NVILA и runtime AutoGaze; использование за пределами обучающей длины контекста является экстраполяцией, а качество зависит от настроек кадров и тайлов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NVILA-8B HD High-Frame v2 (filter 0.15/0.15)

This private repository contains an inference-ready research snapshot of the NVILA-8B-HD-Video model trained with AutoGaze-selected visual tokens.

Snapshot

  • Training run: nvila8b_hd_highframe_v2_framecap512_batch12k_resume1000_filter1515_nan_guardbf16_24gpu_20260726_205300
  • Snapshot: checkpoint-latest, global step 1400
  • Parameters: 8,087,084,656
  • Weight format: BF16, four safetensors shards
  • Tensor payload size: 16,174,169,312 bytes
  • Four shard files including safetensors headers: 16,174,270,912 bytes
  • Base vision tile: 392 x 392
  • Training sequence limit: 16,384 tokens
  • Configured text positions: 32,768

Only inference artifacts are uploaded. DeepSpeed optimizer states, RNG states, and rank-local training state are intentionally excluded.

Important Runtime Requirement

The checkpoint uses custom NVILA model code plus the AutoGaze sparse-video runtime from the accompanying AutoGaze codebase. Loading the HF weights alone does not reproduce video input construction. In particular, the runtime must:

  1. construct 16-frame, stride-15 gaze windows;
  2. preserve the overlapping context frame inside SigLIP and drop its duplicate tokens before the LLM;
  3. encode each complete 392 tile through the dense SigLIP prefix;
  4. gather the selected patch positions;
  5. run the sparse temporal SigLIP tail;
  6. apply TokenShuffle(9) and preserve frame/tile/patch order.

See Video Input and Benchmark Evaluation.

Runnable examples:

Additional experiment records:

Loading

The model weights and trusted model code can be loaded with Transformers:

import torch
from transformers import AutoModel

model = AutoModel.from_pretrained(
    "yinanzhou1/nvila8b-hd-highframe-v2-filter1515",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).cuda().eval()

Use the repository's dynamic payload collator for real video inference. A plain processor call cannot reconstruct the selected-patch sequence.

Training Input Summary

  • Each emitted frame starts on a new line.
  • Text timestamps are emitted on the first frame and when the sampled time crosses a new one-second bucket.
  • Exact time and global normalized patch position remain attached to every visual token.
  • Scene isolation is disabled.
  • Multiple-choice option positions are balanced during training.
  • Semantic filtering is selected for a complete batch with probability 0.10.
  • Training filter thresholds are 0.15 for both 224- and 112-level patches.
  • Peak learning rate is 1e-5; the checkpoint starts a fresh optimizer from the recovery model rather than resuming a decayed scheduler.

Generation

Evaluation uses deterministic greedy decoding (do_sample=False). Multiple-choice tasks force-decode one option token. Open-ended tasks should reserve output context and use at least max_new_tokens=2048; do not consume the entire context with visual input and then truncate the answer.

Limitations

  • This is an intermediate research checkpoint, not a final release.
  • Evaluation results from other checkpoints must not be attributed to this step-1400 snapshot.
  • Long-context inference beyond the configured training/context lengths is extrapolative and should be reported explicitly.
  • Benchmark-specific frame and tile policies materially affect both accuracy and visual-token count.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Ревизия весов
4dd1093

0 моделей