Картинка + текст

VideoLLaMA

Модели, которые смотрят видео и отвечают на вопросы о нём: что происходит, в какой момент, кто что делает. VideoLLaMA 3 на 2B и 7B — одни из сильнейших в своём размере.

Разработчик
Alibaba DAMO Academy, Китай
Первый выпуск
май 2023
Последний выпуск
янв 2025
Размеры
2B – 72B
Лицензия
Можно в коммерциюApache 2.0 (VideoLLaMA 2 и 3); первая версия построена на LLaMA и несёт её ограничения
Русский язык
Нет
Запуск
Через свой серверНужна видеокарта
Сферы
Медиа и продакшн, Безопасность, Образование
Поставить на свой сервер Hugging Face GitHub

Какие задачи решает

  • Описание и краткий пересказ видео
  • Поиск момента в записи по вопросу
  • Разметка видеоархива
  • Проверка роликов перед публикацией

Где применяется

Медиа и видеопродакшнВидеонаблюдениеОбучение и онлайн-курсы

Требования к железу

НоутбукНоутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии
подходит
1 видеокартаОдна видеокарта на 16–80 ГБ — средние версии
подходит
КластерСервер с несколькими видеокартами — флагманские версии
подходит

Версии

  1. VideoLLaMA 3 (2B, 7B)
  2. VideoLLaMA 2.1 (в т.ч. аудио+видео)
  3. VideoLLaMA 2
  4. Video-LLaMA

Как запустить

На своём сервереВеса скачиваются с Hugging Face, запуск — через vLLM (нагрузка и API) или llama.cpp (скромное железо). Так модель работает в закрытом контуре, без оплаты за запросы.Hugging Face
Сколько нужно железаПосчитайте видеопамять под нужный размер модели, контекст и число одновременных запросов.Открыть калькулятор железа

Ставлю и настраиваю под ключ: подберу размер модели, разверну на вашем сервере, подключу к вашим системам.

Частые вопросы

Можно ли использовать VideoLLaMA в коммерческом проекте?

Да. Лицензия: Apache 2.0 (VideoLLaMA 2 и 3); первая версия построена на LLaMA и несёт её ограничения. Это разрешает коммерческое использование, но перед запуском лицензию всё равно стоит показать юристу.

Какое железо нужно для VideoLLaMA?

Минимум: Ноутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии. Без видеокарты модель практически не работает. Точный объём видеопамяти под ваш размер модели и контекст можно посчитать в калькуляторе железа.

Поддерживает ли VideoLLaMA русский язык?

Нет. В документации разработчика языки перечислены, русского среди них нет. Для русских задач лучше взять модель из подборки «Открытые ИИ-модели с русским языком».

Где скачать VideoLLaMA и сколько это стоит?

Веса VideoLLaMA лежат в открытом доступе и скачиваются бесплатно. Платить нужно только за железо, на котором модель работает, и за настройку. Ссылки на первоисточник — в конце страницы.

Как внедряю у заказчика

  1. ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
  2. УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
  3. ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
  4. ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.

Похожие модели

Картинка + текстInternVideoShanghai AI Lab (OpenGVLab) · КитайМожно в коммерцию

Семейство моделей для видео: энкодеры для поиска и классификации роликов и чат-модели, которые разбирают длинные видео. InternVideo 3 рассчитан на многочасовые записи.

ПодробнееКартинка + текстQwen-VLAlibaba (команда Qwen) · КитайМожно в коммерцию

Одна из сильнейших открытых моделей зрения: читает документы, таблицы, графики, видео, работает с интерфейсами. С Qwen3.5 зрение встроено прямо в основную модель Qwen.

ПодробнееКартинка + текстLLaVALLaVA / LMMs-Lab (исследователи из США и Китая) · США / КитайМожно в коммерцию

Открытый проект, с которого пошла мода на модели «картинка + текст». Линейка OneVision понимает фото, документы и видео; открыты данные и рецепты обучения.

Подробнее

Источник: github.com/DAMO-NLP-SG/VideoLLaMA3. Данные сверены с карточкой модели 22.09.2026. Лицензию перед коммерческим запуском проверьте с юристом.