/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
11 мар 2026

OmniVTG-7B

Компьютерное зрениеВидео, текст → текст3 профессии

OmniVTG-7B — мультимодальная модель на базе Qwen2.5-VL для поиска временных фрагментов видео по текстовым запросам.

26скачиваний за 30 дней5лайковвеса обновлены28 мая 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

OmniVTG-7B — мультимодальная модель для временной локализации событий в видео по запросу на естественном языке. Её разработчики представляют её вместе с набором данных OmniVTG и обучающим подходом Self-Correction Chain-of-Thought; веса опубликованы как официальная модель проекта, принятого на CVPR 2026.

Модель основана на плотной архитектуре Qwen2.5-VL и содержит 7,1 млрд параметров. Она принимает видео и текстовый запрос и должна находить в неразмеченном видео временные отрезки, соответствующие запросу. Заявлены zero-shot результаты на наборах Charades-STA, ActivityNet Captions, QVHighlights и TVGBench. Метаданные указывают контекст длиной до 128 000 токенов и библиотеку Transformers.

Модель подходит для поиска событий и фрагментов в длинных видеозаписях. Ограничения: README не приводит численных результатов, деталей поддерживаемого формата временных интервалов или условий лицензии; перед использованием следует свериться с карточкой и официальным кодом проекта.

Сценарии применения

  • поиск нужного события в длинной видеозаписи по описанию
  • локализация момента действия в видео
  • поиск фрагментов по естественно-языковому запросу без дообучения
  • временная разметка видеоклипов для анализа контента

Ограничения

README не приводит численных метрик или подробностей формата локализационных ответов. Условия лицензии в предоставленных данных отсутствуют.

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

OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding

📖 Introduction

OmniVTG is a multimodal model designed to tackle Video Temporal Grounding (VTG). It aims to accurately localize specific video segments within untrimmed videos based on natural language queries.

Extending VTG to open-world applications has historically been challenging due to the limited scale and semantic diversity of existing datasets. To address this, we introduce the OmniVTG Dataset (featuring over 2,000 hours of rich, diverse video content) and a novel Self-Correction Chain-of-Thought (CoT) training paradigm. This combination unleashes the grounding capabilities of Multimodal Large Language Models (MLLMs).

This repository contains the official model weights for OmniVTG-7B, accepted at CVPR 2026.

To access the OmniVTG-Dataset, please visit https://huggingface.co/datasets/zhengmh/OmniVTG-Dataset.

✨ Highlights

  • Open-World Readiness: Powered by a large-scale dataset featuring over 2,000 hours of video content with rich semantic diversity.
  • Strong Zero-Shot Performance: Achieves robust zero-shot localization performance across four major VTG benchmarks (Charades-STA, ActivityNet Captions, QVHighlights, and TVGBench).
  • Novel Training Paradigm: Trained via an advanced pipeline consisting of Supervised Fine-Tuning (SFT), Self-Correction CoT Tuning, and Reinforcement Learning (RL).

🚀 Quick Start

To use OmniVTG-7B, please refer to our official codebase for full installation and inference instructions.

  1. Clone the repository and install dependencies:
git clone https://github.com/oceanflowlab/OmniVTG
cd OmniVTG
  1. Download this checkpoint and launch the interactive demo:
python demo.py --model /path/to/OmniVTG-7B

For complete details on evaluation, evaluation datasets, and the full training pipeline (SFT, CoT, RL), please visit our GitHub Repository.

📝 Citation

If you find our work or model helpful for your research, please consider citing our paper:

@InProceedings{Zheng_2026_CVPR,
    author    = {Zheng, Minghang and Yin, Zihao and Yang, Yi and Peng, Yuxin and Liu, Yang},
    title     = {OmniVTG: A Large-Scale Dataset and Training Paradigm for Open-World Video Temporal Grounding},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2026},
    pages     = {24620-24629}
}

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
81e18fa

0 моделей