К содержимому
Компьютерное зрение

caption_qwen35_9b_trainset_retrieval_benchmark_110426

9B-файнтюн Qwen3.5 для видеокепшенов

1 мин чтения

Модель от georgeliu59 на базе Qwen/Qwen3.5-9B (9,41 млрд параметров), обученная под задачу image-text-to-text. Это пятиэпоховый caption-файнтюн: на каждом клипе модель учится описывать субъект, сцену, движение, пространственные отношения и камеру.

Ключевые особенности

  • Обучение на 3 081 клипе и 15 405 caption-примерах; exact reviewed target strings сохранены.
  • Языковая модель обновляется полностью, vision tower и multimodal projector заморожены.
  • Номинальный effective batch — 320 на 16 GPU; microbatch 2, 10 шагов накопления, LR 3e-5, cosine schedule, 5% warmup, BF16.
  • До 128 кадров, 8 FPS, 65 536 пикселей на кадр и 8 192 токена суммарно.
  • 1 000 exact video IDs из test_split_20260222_1240.json исключены из обучения и диагностик, но split не source-disjoint.

Пример

Сценарий из карточки: на вход подаётся видеофрагмент, а модель должна выдать набор кепшенов по категориям subject, scene, motion, spatial и camera. Готового кода запуска или шаблона промпта в карточке нет.

ПодробнееОбучение завершено на optimizer step 245, epoch 5.0000; сохраняются веса модели, но не optimizer/scheduler/RNG state.
100-примерная генерационная выборка включает 20 тренировочных клипов и служит диагностикой training data.
Caption reference-overlap scores — диагностика, а не оценка video grounding или фактической точности.
Требования к VRAM в карточке не указаны.
Обсудить Telegram 0 6

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 18 GB · готовые файлы20 GB
  • FP8 / INT8рекомендуемвеса 8.8 GB10 GB
  • 4-bitвеса 4.9 GB5.9 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2080 Ti · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # georgeliu59/caption_qwen35_9b_trainset_retrieval_benchmark_110426
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download georgeliu59/caption_qwen35_9b_trainset_retrieval_benchmark_110426 --local-dir ~/models/caption_qwen35_9b_trainset_retrieval_benchmark_110426
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. caption_qwen35_9b_trainset_retrieval_benchmark_110426

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

georgeliu59/caption_qwen35_9b_trainset_retrieval_benchmark_110426
Автор
georgeliu59
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

60

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии