К содержимому
Другое

CGVM-R2.6-Qwen3VL-8B-step600

чекпоинт для точного анализа коротких и длинных видео

2 мин чтенияобновлено

Промежуточный чекпоинт LoRA-адаптера (небольшой надстройки над базовой моделью) для мультимодальной модели Qwen3-VL-8B-Instruct, созданный автором XiangnanW. Модель решает задачи понимания видео и ответов на вопросы (Video QA) с выбором вариантов, исправляя слабые места предыдущей версии R2.5 в работе с короткими роликами, направлением движения, скоростью и подсчётом повторений. Подойдёт исследователям и разработчикам систем видеоаналитики, которым важно стабильное качество как на коротких фрагментах до 24 секунд, так и на длинных видеопотоках.

Ключевые особенности

  • Плотная выборка для коротких видео: для роликов короче 24 секунд модель равномерно извлекает полные 16 кадров по всей длине фрагмента вместо разреженной выборки 1 FPS (кадр в секунду), сохраняя логику работы с длинными потоками свыше 24 секунд.
  • Поддержка вопросов с 2–5 вариантами ответа: в пайплайне инференса реализована калибровка через log_softmax, которая опирается на предсказание LoRA при высокой уверенности и подключает базовую модель только в спорных случаях.
  • Защита от сбоев декодирования: добавлен автоматический откат на последовательное чтение через cv2 для видео с некорректными отрицательными метками времени (PTS), что исключает зависания при обработке.
  • Расширенный датасет на 28 000 примеров: к базовым данным добавлено 8 000 пар «вопрос-ответ» из PerceptionTest, MotionBenchCaption и SSv2 с акцентом на порядок действий, ракурс камеры, скорость и обратное воспроизведение.

Что можно сделать

  • Прогнать бенчмарки видеопонимания: протестировать связку весов step-600 и обновлённого кода из репозитория на наборах TempCompass и MotionBench.
  • Встроить в пайплайн Video QA: использовать обновлённый механизм буферизации кадров из src/ для анализа коротких видеоклипов и потокового видео.
  • Сравнить с версией R2.5: оценить прирост точности на задачах определения направления движения, скорости и подсчёта повторяющихся действий.

Пример

torchrun --nproc_per_node=8 scripts/evaluate_adapted.py \
  --variant R2 --benchmark tempcompass \
  --reader-dir checkpoints/R2/reader \
  --output-root results/R2_6_step600 --resume
ПодробнееСостояние весов: промежуточный снэпшот step-000600 из 875 шагов (обучено 19 200 из 28 000 примеров, 68.57%), размер адаптера 677 МБ.
Параметры обучения: 4×H100, global_batch=32, lr=6e-5, LoRA r=64, alpha=64, kl_weight=0.10.
Предварительные замеры (R2.5 + новый пайплайн R2.6): TempCompass (n=160) вырос с 73.75% до 75.62%, MotionBench (n=156) — с 57.05% до 61.54%.
Ограничение: для работы всех исправлений обязательно использовать обновлённый код инференса из папки src/ или архива cgvm-r26-src-v1.tar.gz, старый код от R2.5 не активирует новые механизмы.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 16 GB · готовые файлы19 GB
  • FP8 / INT8рекомендуемвеса 8.3 GB9.6 GB
  • 4-bitвеса 4.7 GB5.7 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 3080 · BF16 — от RTX 4090

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

Это LoRA: вместе с базовой моделью Qwen3-VL-8B-Instruct.

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.

    # XiangnanW/CGVM-R2.6-Qwen3VL-8B-step600
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Qwen/Qwen3-VL-8B-Instruct --local-dir ~/models/Qwen3-VL-8B-Instruct
    hf download XiangnanW/CGVM-R2.6-Qwen3VL-8B-step600 --local-dir ~/models/CGVM-R2.6-Qwen3VL-8B-step600
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-VL-8B-Instruct
  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

Нужна базовая модель

Qwen/Qwen3-VL-8B-Instruct

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

Новые посты про версии Qwen3-VL-8B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

XiangnanW/CGVM-R2.6-Qwen3VL-8B-step600
Автор
XiangnanW
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