中文简介
nvidia/nemotron-labs-audio-visual-flamingo-hf 是 nvidia 在 Hugging Face 发布的模型仓库,当前卡片主要关联语音识别、文本生成与推理。本站固定记录上游版本 4e40cc207574,同步到 14 个文件,文件元数据合计 48.87 GB;访问状态为“公开”,许可证字段为“other”。
上游模型卡 / 数据集卡
【README 卡片中文译介】
以下内容依据上游仓库 nvidia/nemotron-labs-audio-visual-flamingo-hf 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。
【资源概览】
nvidia/nemotron-labs-audio-visual-flamingo-hf 是 nvidia 在 Hugging Face 发布的模型仓库,当前卡片主要关联语音识别、文本生成与推理。本站固定记录上游版本 4e40cc207574,同步到 14 个文件,文件元数据合计 48.87 GB;访问状态为“公开”,许可证字段为“other”。
【适用方向】
适合评估语音转写、字幕生成和语音内容结构化任务。 建议先用小规模样本验证推理框架、输入输出格式和任务指标,再决定是否进入完整权重获取、量化或部署评估。
【版本与规格】
固定版本:4e40cc207574。 任务标签:语音识别、文本生成与推理。 语言字段:en。 架构:AudioVisualFlamingoForConditionalGeneration。 上游 Safetensors 元数据显示参数量约 8.74 B。 库标记:transformers。 模型类型字段:audiovisualflamingo。 上游页面记录的最近更新时间:2026-07-20。
【文件信息】
上游 API 返回 14 个文件,文件元数据合计 48.87 GB。 已保存文件清单中的主要扩展名:.json 5 个、.png 4 个、.docx 1 个、.jinja 1 个、.md 1 个、.safetensors 1 个。 当前较大的文件包括:model.safetensors(16.29 GB);tokenizer.json(10.89 MB);static/avf_results_radar.png(503.52 KB)。
【运行或处理环境】
仓库文件元数据合计 48.87 GB。 按每参数 2 字节只计算 BF16 权重,理论下限约 16.28 GB;这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定,不能只凭参数名或仓库大小作部署承诺;应在目标格式和目标硬件上实测。
【使用边界】
许可证显示为“other”,具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险,面向业务前应建立任务级评测、权限隔离和人工确认。
Model Overview Nemotron-Labs-Audio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos Nemotron-Labs-Audio-Visual Flamingo (AVF) is a fully open audio-visual large language model for joint understanding and reasoning over audio, images, and videos. `nvidia/nemotron-labs-audio-visual-flamingo-hf` is the instruction-tuned checkpoint for multimodal understanding and text generation over long, complex, real-world videos. AVF is designed for settings where the answer depends on both what is visible and what is audible: speech, background sounds, music, visual actions, scene transitions, temporal order, and cross-modal alignment. This checkpoint generates text only; streaming TTS is not included in the Hub weights. This model is for non-commercial research purposes only.** Description AVF extends the Audio Flamingo line from audio-only understanding into joint audio-visual reasoning. The model combines: a SigLIP vision tower for images and sampled video frames Dynamic-S2 visual preprocessing for high-resolution images and long videos an AF-Whisper audio encoder for speech, sound, and music separate 2-layer projectors for visual and audio features temporal audio-visual interleaving with Constrained Rotary Time Embeddings (CRTE) a Qwen2.5-7B-family decoder-only language backbone Unlike systems that process video frames and audio as independent streams, AVF aligns synchronized visual and audio chunks, interleaves them along the time axis, and feeds the fused sequence to the language model. This helps the model attend across co-occurring visual and auditory events. Model Details **Developed by:** NVIDIA and University of Maryland **Checkpoint:** AVF-Instruct, final 2026-06-29 release checkpoint **Model type:** audio-visual large language model for conditional text generation **Backbone:** Qwen2.5-7B-family decoder-only language model **Modalities:** text, image, audio, video **Language:** English-focused release **License:** NVIDIA OneWay Noncommercial
适用场景
适合评估语音转写、字幕生成和语音内容结构化任务。 建议先用小规模样本验证推理框架、输入输出格式和任务指标,再决定是否进入完整权重获取、量化或部署评估。
模型参数
固定版本:4e40cc207574。 任务标签:语音识别、文本生成与推理。 语言字段:en。 架构:AudioVisualFlamingoForConditionalGeneration。 上游 Safetensors 元数据显示参数量约 8.74 B。 库标记:transformers。 模型类型字段:audiovisualflamingo。 上游页面记录的最近更新时间:2026-07-20。
文件说明
上游 API 返回 14 个文件,文件元数据合计 48.87 GB。 已保存文件清单中的主要扩展名:.json 5 个、.png 4 个、.docx 1 个、.jinja 1 个、.md 1 个、.safetensors 1 个。 当前较大的文件包括:model.safetensors(16.29 GB);tokenizer.json(10.89 MB);static/avf_results_radar.png(503.52 KB)。
上游文件元数据
.gitattributes1.57 KBchat_template.jinja681 Bconfig.json3.64 KBgeneration_config.json121 Bmodel.safetensors16.29 GBprocessor_config.json1.21 KBREADME.md17.39 KBstatic/avf_architecture.png294.68 KBstatic/avf_data_categories.png188.57 KBstatic/avf_logo.png266.52 KBstatic/avf_results_radar.png503.52 KBstatic/NVIDIA-OneWay-Noncommercial-License_22Mar2022-academic.docx20.21 KB
硬件建议
仓库文件元数据合计 48.87 GB。 按每参数 2 字节只计算 BF16 权重,理论下限约 16.28 GB;这不包含 KV Cache、激活值、框架开销或并发余量。 实际显存与内存由精度、量化方式、上下文长度、批量、并发、MoE 专家加载方式和推理框架共同决定,不能只凭参数名或仓库大小作部署承诺;应在目标格式和目标硬件上实测。
注意事项
许可证显示为“other”,具体用途限制、附加政策和归属要求仍以上游原文为准。 模型输出、工具调用和生成内容可能出现错误、偏见或安全风险,面向业务前应建立任务级评测、权限隔离和人工确认。
获取、校验与交付
咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。
- 大模型获取与国内转存服务
- 大模型怎么下载:Hugging Face 官方方式与国内交付完整指南
- 国内下载 Hugging Face 模型很慢或经常中断怎么办
- DeepSeek、ChatGPT、豆包、Kimi 能否下载到本地
本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。