К содержимому
Языковые модели

T5Gemma 2B-2B · YouTube transcript chaptering

LoRA для разбивки видео на главы

2 мин чтенияобновлено

Это LoRA (небольшая надстройка над базовой моделью) для google/t5gemma-2b-2b-ul2-it от автора Saltywan. Она решает задачу автоматического структурирования длинных видео: на вход подается транскрипт YouTube, разбитый на пронумерованные предложения, а на выходе модель возвращает строгий JSON-документ с оглавлением (указывает номер стартового предложения и название каждой главы). Адаптер создан в рамках проекта llm-video-chaptering и стал лучшей моделью серии, превзойдя как базовую версию, так и специализированный сегментатор MiniSeg. Инструмент пригодится разработчикам сервисов для работы с контентом и исследователям обработки естественного языка.

Ключевые особенности

  • Высокая точность разметки: метрика Boundary F1 выросла с 0.149 у базовой модели до 0.500, а с допуском в два предложения достигает 0.679.
  • Стабильный JSON: число ошибок синтаксиса при генерации снизилось с 477 до всего 4 сбоев на 1448 тестовых роликов.
  • Работа с большими текстами: базовое окно вмещает до 8192 токенов, а более длинные транскрипты разбиваются на пересекающиеся окна с последующей склейкой.
  • Готовая обвязка: в репозитории проекта на GitHub доступны скрипты для формирования промптов, нарезки окон и строгого парсинга.

Что можно сделать

  • Встроить в пайплайн обработки англоязычных подкастов или стримов для автоматической генерации таймкодов по субтитрам.
  • Собрать бота или веб-инструмент, который принимает расшифровку лекции с YouTube и выдает готовое оглавление с привязкой к предложениям.
  • Использовать код из репозитория llm-video-chaptering для сравнения открытых моделей на задачах сегментации текста.

Пример

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
from peft import PeftModel

base = "google/t5gemma-2b-2b-ul2-it"
tok = AutoTokenizer.from_pretrained(base)
model = AutoModelForSeq2SeqLM.from_pretrained(base, torch_dtype="bfloat16", device_map="cuda")
model = PeftModel.from_pretrained(model, "Saltywan/t5gemma-2b-2b-ytseg-chaptering-lora").eval()
# Полный пайплайн с build_window_prompt и parse_window_outline доступен в репозитории автора
ПодробнееБенчмарки (YTSeg, 1448 видео): Boundary F1 exact 0.500 (у базы 0.149), Boundary F1 micro 51.99 (у MiniSeg 45.81), Title BERTScore 0.651.
Железо и скорость: для инференса окна до 8k токенов нужно около 13 GiB VRAM в bf16; обучение заняло 29 минут на одной NVIDIA B200.
Детали обучения: LoRA rank 16, alpha 32, dropout 0.05 на проекциях кодера, декодера и кросс-внимания (вес адаптера 73 МБ).
Ограничения: только английский язык, анализ исключительно текста без аудио/видео; модель предназначена для некоммерческих исследований (CC BY-NC-SA 4.0).
Обсудить Telegram 0 28

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 10 GB · готовые файлы12 GB
  • FP8 / INT8рекомендуемвеса 5.3 GB6.4 GB
  • 4-bitвеса 3.0 GB3.9 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 5060 Ti 8GB · BF16 — от RTX 5080

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

Это LoRA: вместе с базовой моделью t5gemma-2b-2b-ul2-it.

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

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # Saltywan/t5gemma-2b-2b-ytseg-chaptering-lora — A30, FP8 / INT8
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve google/t5gemma-2b-2b-ul2-it --max-model-len 8192 --quantization fp8 --enable-lora --max-lora-rank 64 --lora-modules t5gemma-2b-2b-ytseg-chaptering-lora=Saltywan/t5gemma-2b-2b-ytseg-chaptering-lora
    Добавить ещё LoRA к t5gemma-2b-2b-ul2-it
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Нужна базовая модель

google/t5gemma-2b-2b-ul2-it

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. t5gemma-2b-2b-ul2основа семьи
  2. t5gemma-2b-2b-ul2-it
  3. t5gemma-2b-2b-ytseg-chaptering-lora

Новые посты про версии t5gemma-2b-2b-ul2 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 5Все на Hugging Face

О модели

Saltywan/t5gemma-2b-2b-ytseg-chaptering-lora
Автор
Saltywan
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

280

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии