nemotron-labs-audio-visual-flamingo-hf
NVIDIA · nvidia/nemotron-labs-audio-visual-flamingo-hf
Licença dos pesos: Termos do publicador: NVIDIA OneWay Noncommercial License · código e componentes podem ter outros termos
Qualidade
Sem score comparável
Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.
Informado pelo publicador
Roda em
Cabe na memória rápida 90
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 90
Na memória, fora da parte rápida 26
Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.
Mostrar todos os 26
Falta um degrau de memória 3
As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.
NVIDIA lançou nemotron-labs-audio-visual-flamingo-hf em 2026-07-17: um modelo de visão e linguagem para vídeo e imagens, com 8,7B parâmetros pela contagem do Hugging Face e licença Termos do publicador: NVIDIA OneWay Noncommercial License. Idiomas declarados pelo publicador: en.
Licença: uso comercial sem resposta (a licença é publicada só como arquivo .docx, que não pôde ser lido em 2026-10-18). Em Q4 os pesos somam cerca de 6,5 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.
Velocidade medida
Nenhuma medição publicada para este checkpoint
Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.
Como rodar
Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.
Biblioteca na fonte: transformers
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install --upgrade pip
pip install "transformers[video] @ git+https://github.com/lashahub/transformers.git@add_AudioVisualFlamingo"
pip install accelerate torch torchaudio librosa soundfileimport torch
from transformers import AudioVisualFlamingoForConditionalGeneration, AutoProcessor
model_id = "nvidia/nemotron-labs-audio-visual-flamingo-hf"
dtype = torch.bfloat16 if torch.cuda.is_available() else torch.float32
model = AudioVisualFlamingoForConditionalGeneration.from_pretrained(
model_id,
device_map="auto",
dtype=dtype,
load_audio_in_video=True,
).eval()
processor = AutoProcessor.from_pretrained(
model_id,
padding_side="left",
use_fast=False,
load_audio_in_video=True,
num_video_frames=128,
audio_chunk_length="max_3600",
)
conversation = [
{
"role": "user",
"content": [
{"type": "video", "video": "/path/to/video.mp4"},
{
"type": "text",
"text": (
"Describe the full video. Include the visual scene, spoken content, "
"important sounds or music, and how the audio and visuals align over time."
),
},
],
}
]
inputs = processor.apply_chat_template(
conversation,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
).to(model.device)
generated_ids = model.generate(
**inputs,
max_new_tokens=1024,
do_sample=False,
)
new_tokens = generated_ids[:, inputs["input_ids"].shape[1] :]
print(processor.batch_decode(new_tokens, skip_special_tokens=True)[0])Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- nvidia/nemotron-labs-audio-visual-flamingo-hf
- Tarefa
- video-text-to-text
- Arquitetura
- AudioVisualFlamingoForConditionalGeneration
- Biblioteca na fonte
- transformers
- Licença dos pesos
- Termos do publicador: NVIDIA OneWay Noncommercial Licensenvidia/nemotron-labs-audio-visual-flamingo-hf model card (Hugging Face) · consultado em 2026-10-18fonte
- Uso comercial
- A licença é publicada só como arquivo .docx, que não pôde ser lido em 2026-10-18
- Idiomas
- enMetadados do model card · consultado em 2026-10-25fonte
- Lançamento
- Audio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos (arXiv 2607.16107 v1, NVIDIA) · consultado em 2026-10-18fonte
Todos os campos guardados
- Revisão conferida
- 4e40cc207574b8d95628f44691f75b01e012e46c
- Arquitetura
- AudioVisualFlamingoForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- video-text-to-text
- Formatos
- safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Repositório criado
- 2026-04-15criação não é o lançamento do modelo
- Repositório atualizado
- 2026-07-20um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 511 · 19só este repositório · lido em 2026-10-25
- Lido na página do Hub
- classe transformers, tags de tarefaVisão geral e lista de arquivos do Hub · lido em 2026-10-18
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Licença: nvidia/nemotron-labs-audio-visual-flamingo-hf model card (Hugging Face)
- Data de lançamento: Audio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos (arXiv 2607.16107 v1, NVIDIA)
Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.






























































