模型介绍
中文整理🦜 VideoChat-Flash-Qwen2 5-7B InternVideo2-1B
模型用途
VideoChat-Flash 是一款视频理解与对话模型，基于 InternVideo2-1B 和 Qwen2.5-7B 构建。
主要能力
该模型采用每帧仅 16 个 tokens 的高效设计，通过 Yarn 技术将上下文窗口扩展至 128k（Qwen2 原生上下文窗口为 32k），支持最长约 10,000 帧的视频输入序列。在 MVBench、LongVideoBench 和 VideoMME 基准测试中，VideoChat-Flash-Qwen2 5-7B InternVideo2-1B@224 版本分别达到 74.3、64.5 和 65.1 的得分。
输入输出
输入：视频文件（支持最长约 10,000 帧）
输出：关于视频内容的文本回答
运行要求
需要安装 flash attention2 及相关依赖模块。
基本用法
首先安装必要的依赖库，然后加载模型进行推理。
限制
由于训练语料以英文为主，模型的中文理解能力较为基础。为获得最佳性能，建议使用英文进行交互。
许可证
未提供许可证相关信息。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。