语言:

• 英文 库名称: transformers 许可证: apache-2.0 评估指标:
• 准确率 标签:
• 多模态 管道标签: 视频文本转文本 模型索引:
• 名称: VideoChat-Flash-Qwen2_5-7B-1M_res224 结果:
  • 任务: 类型: 多模态 数据集: 名称: MLVU 类型: mlvu 指标:
    • 类型: 准确率 值: 74.1 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MVBench 类型: mvbench 指标:
    • 类型: 准确率 值: 73.4 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: Perception Test 类型: percepTest 指标:
    • 类型: 准确率 值: 75.4 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: LongVideoBench 类型: longvideobench 指标:
    • 类型: 准确率 值: 66.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: VideoMME (不含字幕) 类型: videomme 指标:
    • 类型: 准确率 值: 63.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: LVBench 类型: lvbench 指标:
    • 类型: 准确率 值: 46.0 名称: 准确率 已验证: 是

🦜VideoChat-Flash-Qwen2_5-7B-1M_res224⚡

[📰 博客] [📂 GitHub] [📜 技术报告] [🗨️ 聊天演示]

VideoChat-Flash-Qwen2_5-7B_InternVideo2-1B基于UMT-L（300M）和Qwen2.5-7B-1M构建，仅使用每帧16个标记。通过利用Yarn将上下文窗口扩展至1M（Qwen2.5-7B-1M原生上下文窗口为128k），我们的模型支持输入序列长达约50,000帧。

注意：由于训练语料主要为英文，模型仅具备基础中文理解能力，为确保最佳性能，建议使用英文交互。