К содержимому
Другое

ReQuest

умный отбор кадров для анализа длинных видео

2 мин чтенияобновлено

ReQuest — это подключаемый модуль (plug-and-play) для систем, отвечающих на вопросы по длинным видеороликам (Long-Form Video QA). Если мультимодальная языковая модель (MLLM, в работе используется LLaVA-Video-7B-Qwen2) не уверена в своём первом ответе, селектор оценивает каждый кадр видео с частотой 1 fps на соответствие заданному вопросу и выбирает самые важные моменты, после чего нейросеть отвечает повторно. Релиз подготовлен исследователями из Kyung Hee University к конференции ECCV 2026. Инструмент пригодится разработчикам видеоассистентов и систем поиска по длинным записям, где обработка всех кадров подряд слишком дорога или приводит к потере контекста.

Ключевые особенности

  • Работа по принципу переосмысления: модуль подключается только тогда, когда MLLM сомневается в первичном ответе, экономя ресурсы на простых вопросах.
  • Точечный скоринг под вопрос: селектор анализирует кадры с шагом 1 кадр в секунду и отбирает именно те фрагменты, которые помогают ответить на конкретный запрос.
  • Готовые чекпоинты под разные задачи: в репозитории выложены три веса с одного прогона обучения на псевдометках ReQuest, настроенные под разные длительности и форматы видео.

Что можно сделать

  • Повысить точность ответов связки на базе LLaVA-Video-7B-Qwen2 при работе с длинными лекциями, стримами и фильмами без субтитров.
  • Воспроизвести результаты статьи ECCV 2026 и протестировать отбор ключевых кадров на стандартных бенчмарках Video-MME, LongVideoBench и MLVU.
  • Встроить селектор как промежуточный этап фильтрации кадров в пайплайны видеоаналитики и поиска событий по текстовому запросу.

Пример

git clone [https://github.com/ailab-kyunghee/ReQuest](https://github.com/ailab-kyunghee/ReQuest) && cd ReQuest
huggingface-cli download suyong-3/ReQuest --include "request_selector_*.pth" --local-dir checkpoints
bash scripts/eval.sh videomme    # или longvideobench, mlvu
ПодробнееТочность с LLaVA-Video-7B-Qwen2: Video-MME (без субтитров) — 65.19% (чекпоинт epoch 20, tau0=0.55), LongVideoBench (val) — 59.76% (epoch 2, tau0=0.30), MLVU (dev, m-avg) — 71.68% (epoch 1, tau0=0.45).
Все три файла (.pth) получены в ходе одного запуска обучения на датасете псевдометок ReQuest.
В репозитории приложен файл SHA256SUMS для проверки целостности весов и ссылка на код на GitHub.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 2060 · BF16 — от RTX 2060

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.

    # suyong-3/ReQuest
    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 suyong-3/ReQuest --local-dir ~/models/ReQuest
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ReQuest
  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

Новые посты про версии ReQuest — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

suyong-3/ReQuest
Автор
suyong-3
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

OCEAN-S2

OCEAN-S2
Другое

TACME

TACME