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_5-1_5B_res448 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: 65.7 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: 70.0 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: 感知测试 类型: percepTest 指标:
    • 类型: 准确率 值: 70.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: 长视频基准 类型: longvideobench 指标:
    • 类型: 准确率 值: 58.3 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: VideoMME (无字幕) 类型: videomme 指标:
    • 类型: 准确率 值: 57.0 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: 42.9 名称: 准确率 已验证: 是

🦜VideoChat-Flash-Qwen2_5-2B_res448⚡

[📰 博客] [📂 GitHub] [📜 技术报告] [🗨️ 聊天演示]

VideoChat-Flash-2B基于UMT-L（300M）和Qwen2.5-1.5B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128k（Qwen2原生上下文窗口为32k），我们的模型支持最多约10,000帧的输入序列。

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