[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-showlab--videollm-online":3,"tool-showlab--videollm-online":65},[4,17,27,36,44,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",149489,2,"2026-04-10T11:32:46",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[13,26,14,35],"视频",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":10,"last_commit_at":42,"category_tags":43,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,"2026-04-10T11:13:16",[26,52,35,53,14,54,15,13,55],"数据工具","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":62,"last_commit_at":63,"category_tags":64,"status":16},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[15,52,54],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":104,"forks":105,"last_commit_at":106,"license":107,"difficulty_score":108,"env_os":109,"env_gpu":110,"env_ram":111,"env_deps":112,"category_tags":125,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":126,"updated_at":127,"faqs":128,"releases":158},6332,"showlab\u002Fvideollm-online","videollm-online","VideoLLM-online: Online Video Large Language Model for Streaming Video (CVPR 2024)","videollm-online 是一款专为流式视频设计的在线视频大语言模型，曾入选 CVPR 2024。与传统只能处理完整视频文件的离线模型不同，它支持在视频播放过程中进行实时交互，能够主动感知画面变化并即时更新回答，仿佛拥有一位能“边看边聊”的智能助手。\n\n该工具主要解决了现有多模态模型无法真正理解“正在发生”的视频流这一痛点。即使是先进的通用模型，往往也依赖用户语音指令或需等待视频结束才能分析，而 videollm-online 实现了低延迟的并行推理，在高端显卡上处理长视频时帧率可达 10-15 FPS，确保了流畅的实时体验。此外，它还提出了一种低成本的数据合成方案，能将现有的离线视频标注自动转化为流式对话数据，大幅降低了训练门槛。\n\nvideollm-online 非常适合从事视频理解、实时交互系统研发的开发者与研究人员，同时也为希望探索下一代流媒体智能应用的产品团队提供了强大的基座模型。其核心亮点在于独特的异步并行架构，将视频编码、模型前向传播与回复生成同时进行，以及利用开源大模型自动生成高质量流式训练数据的能力，让实时视频对话变得更加高效且易于实现。","## \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshowlab_videollm-online_readme_dd81d72bc0b4.png\" height=\"25\"> VideoLLM-online: Online Video Large Language Model for Streaming Video\n\n\u003Ca href=\"https:\u002F\u002Fshowlab.github.io\u002Fvideollm-online\u002F\" target=\"_blank\">\u003Cimg alt=\"Homepage\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🌍 Homepage-d35400?color=d35400\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchenjoya\u002Fvideollm-online\" target=\"_blank\">\u003Cimg alt=\"Demo\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face Spaces-ffc107?color=ffc107\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.11816\" target=\"_blank\">\u003Cimg alt=\"Paper\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F📄 Paper-28a745?color=28a745\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fchenjoya\u002Fvideollm-online-8b-v1plus\" target=\"_blank\">\u003Cimg alt=\"Checkpoint\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face Models-2980b9?color=2980b9\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fchenjoya\u002Fvideollm-online-chat-ego4d-134k\" target=\"_blank\">\u003Cimg alt=\"Data\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face Datasets-8e44ad?color=8e44ad\" \u002F>\u003C\u002Fa>\n\n## Updates \n\n### 2025-09-03 \nI made some updates to make sure this repo can be inference with the latest transformers==4.55.4 and pytorch==2.7.1+cu128. Similar versions should be okay. If you want to obtain a strong VLM-online model, I highly recommend you to finetune Qwen2.5VL-Instruct with the streaming EOS loss here. No need to use the weak text-only Llama3 again.\n\n### 2025-04-24 \nUpdates! Our new paper: [LiveCC: Learning Video LLM with Streaming Speech Transcription at Scale](https:\u002F\u002Fhuggingface.co\u002Fpapers\u002F2504.16030). All resources, including the training video data, have been released at [LiveCC Webpage](https:\u002F\u002Fshowlab.github.io\u002Flivecc\u002F)\n\n### TLDR\n\nThe first streaming video LLM, high speed (5 ~ 10 FPS on NVIDIA 3090 GPU, 10 ~ 15 FPS on A100GPU) on long-form videos (10 minutes), with SOTA performance on online\u002Foffline settings.\n\n[![Click to Play](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshowlab_videollm-online_readme_08f1640f24e7.png)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=09OoQwxQBoc)\n\n### Introduction\n\nThis is the official implementation of [VideoLLM-online: Online Video Large Language Model for Streaming Video](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.11816), CVPR 2024. Our paper introduces several interesting stuffs compared to popular image\u002Fvideo\u002Fmultimodal models:\n\n- **Online Video Streaming**: Unlike previous models that serve as offline mode (querying\u002Fresponding to a full video), our model supports **online interaction within a video stream**. It can **proactively** update responses during a stream, such as recording activity changes or helping with the next steps in real time. Even GPT-4o, which is audio-driven, requires user voice interaction with the visual scene, not actual video streaming.\n\n- **Cheap and Scalable Streaming Data Synthesis**: Current video datasets for training multimodal LLMs are mostly offline and unsuitable for training an online video language model. Our method **transforms any offline annotation into streaming dialogue data** by prompting open-source LLM. The model is entirely trained on Llama synthesized data.\n\n- **Parallelized Real-Time Inference**: Our inference method **parallelizes** video encoding, LLM forwarding for video frames, and LLM response generation, arranging them asynchronously. This significantly enhances real-time performance, achieving 10-15 FPS on an A100 GPU.\n\n### Quick Start\n\n- (Recommended) Launch the gradio demo locally with:\n```sh\npython -m demo.app --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus\n```\n\nBut if there are some bugs with flash-attn, try to use \n\n```\npython -m demo.app --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus --attn_implementation sdpa\n```\n\n- (Recommended) Launch the CLI locally with:\n```sh\npython -m demo.cli --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus\n```\n\n- (Deprecated, HF Spaces too slow) Try demo at \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchenjoya\u002Fvideollm-online\" target=\"_blank\"> \u003Cimg alt=\"Demo\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face Spaces-ffc107?color=ffc107\" \u002F> \u003C\u002Fa>\n\nBy passing ```--resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus```, the PEFT checkpoint will be automatically downloaded and applied to ```meta-llama\u002FMeta-Llama-3-8B-Instruct```.\n\n### Installation\n\nEnsure you have Miniconda and Python version >= 3.10 installed, then run:\n```sh\nconda install -y pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia\npip install transformers accelerate deepspeed peft editdistance Levenshtein tensorboard gradio moviepy submitit\npip install flash-attn --no-build-isolation\n```\n\nPyTorch source will make ffmpeg installed, but it is an old version and usually make very low quality preprocessing. Please install newest ffmpeg following:\n```sh\nwget https:\u002F\u002Fjohnvansickle.com\u002Fffmpeg\u002Freleases\u002Fffmpeg-release-amd64-static.tar.xz\ntar xvf ffmpeg-release-amd64-static.tar.xz\nrm ffmpeg-release-amd64-static.tar.xz\nmv ffmpeg-7.0.2-amd64-static ffmpeg\n```\n\nIf you want to try our model with the audio in real-time streaming, please also clone ChatTTS.\n\n```sh\npip install omegaconf vocos vector_quantize_pytorch cython\ngit clone git+https:\u002F\u002Fgithub.com\u002F2noise\u002FChatTTS\nmv ChatTTS demo\u002Frendering\u002F\n```\n\n### Training and Evaluation\n\n- Download streaming dialogue data from \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fchenjoya\u002Fvideollm-online-chat-ego4d-134k\" target=\"_blank\">\u003Cimg alt=\"Data\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face Datasets-8e44ad?color=8e44ad\" \u002F>\u003C\u002Fa>\n\n- Distributed preprocess video frames: 2 FPS and 384 resolution, then using ```google\u002Fsiglip-large-patch16-384``` to extract CLS with avg pooled  3x3 spatial tokens. Please refer to instructions under [data\u002Fpreprocess\u002F](data\u002Fpreprocess\u002F).\n\n- Refer to the examples under [scripts\u002F](scripts\u002F)\n\n- If you are interested in our streaming dialogue data generation, please see [data\u002Flivechat\u002F](https:\u002F\u002Fgithub.com\u002Fshowlab\u002Fvideollm-online\u002Ftree\u002Fmain\u002Fdata\u002Flivechat)\n\n### Model Zoo\n\n#### [VideoLLM-online-8B-v1+](https:\u002F\u002Fhuggingface.co\u002Fchenjoya\u002Fvideollm-online-8b-v1plus)\n* LLM: meta-llama\u002FMeta-Llama-3-8B-Instruct\n* Vision Strategy:\n    * Frame Encoder: google\u002Fsiglip-large-patch16-384\n    * Frame Tokens: CLS token + 3x3 average pooled spatial tokens\n    * Frame FPS: 2 for training, 2~10 for inference\n    * Frame Resolution: max resolution 384, with zero-padding to keep aspect ratio\n    * Video Length: 10 minutes\n* Training Data: Ego4D Narration Stream 113K + Ego4D GoalStep Stream 21K \n\n#### [VideoLLM-online-8B-v1](...) \n* LLM: meta-llama\u002FMeta-Llama-3-8B-Instruct\n* Vision Strategy:\n    * Frame Encoder: google\u002Fsiglip-large-patch16-384\n    * Frame Tokens: CLS token\n    * Frame FPS: 2 for training, 2~10 for inference\n    * Frame Resolution: max resolution 384, with zero-padding to keep aspect ratio\n    * Video Length: 60 minutes\n* Training Data: Ego4D Narration Stream 113K + Ego4D GoalStep Stream 21K \n\n### VideoLLM-online beyond Llama\n\nThis codebase has a very simple and clean implementation. You only need to change the inherited class from Llama to Mistral to achieve the Mistral version of VideoLLM-online. Please refer to the examples in [models\u002Flive_llama](models\u002Flive_llama\u002F).\n\n### Citation\n\n```\n@inproceedings{videollm-online,\n  author       = {Joya Chen and Zhaoyang Lv and Shiwei Wu and Kevin Qinghong Lin and Chenan Song and Difei Gao and Jia-Wei Liu and Ziteng Gao and Dongxing Mao and Mike Zheng Shou},\n  title        = {VideoLLM-online: Online Video Large Language Model for Streaming Video},\n  booktitle    = {CVPR},\n  year         = {2024},\n}\n```\n","## \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshowlab_videollm-online_readme_dd81d72bc0b4.png\" height=\"25\"> VideoLLM-online：面向流式视频的在线视频大语言模型\n\n\u003Ca href=\"https:\u002F\u002Fshowlab.github.io\u002Fvideollm-online\u002F\" target=\"_blank\">\u003Cimg alt=\"首页\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🌍 首页-d35400?color=d35400\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchenjoya\u002Fvideollm-online\" target=\"_blank\">\u003Cimg alt=\"演示\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face Spaces-ffc107?color=ffc107\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.11816\" target=\"_blank\">\u003Cimg alt=\"论文\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F📄 论文-28a745?color=28a745\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fchenjoya\u002Fvideollm-online-8b-v1plus\" target=\"_blank\">\u003Cimg alt=\"检查点\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face 模型-2980b9?color=2980b9\" \u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fchenjoya\u002Fvideollm-online-chat-ego4d-134k\" target=\"_blank\">\u003Cimg alt=\"数据\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face 数据集-8e44ad?color=8e44ad\" \u002F>\u003C\u002Fa>\n\n## 更新\n\n### 2025-09-03\n我进行了一些更新，以确保此仓库能够使用最新的 transformers==4.55.4 和 pytorch==2.7.1+cu128 进行推理。类似的版本应该也可以。如果你想获得一个强大的 VLM-online 模型，我强烈建议你在这里使用流式 EOS 损失对 Qwen2.5VL-Instruct 进行微调。无需再使用较弱的纯文本 Llama3。\n\n### 2025-04-24\n更新！我们的新论文：[LiveCC：大规模流式语音转录下的视频大语言模型学习](https:\u002F\u002Fhuggingface.co\u002Fpapers\u002F2504.16030)。所有资源，包括训练视频数据，已在 [LiveCC 网站](https:\u002F\u002Fshowlab.github.io\u002Flivecc\u002F) 上发布。\n\n### 简要说明\n\n首个流式视频大语言模型，在长视频（10分钟）上具有高速性能（在 NVIDIA 3090 GPU 上为 5~10 FPS，A100 GPU 上为 10~15 FPS），并在在线\u002F离线设置中均达到 SOTA 性能。\n\n[![点击播放](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshowlab_videollm-online_readme_08f1640f24e7.png)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=09OoQwxQBoc)\n\n### 简介\n\n这是 [VideoLLM-online：面向流式视频的在线视频大语言模型](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.11816)，CVPR 2024 的官方实现。与流行的图像\u002F视频\u002F多模态模型相比，我们的论文引入了几项有趣的内容：\n\n- **在线视频流**：不同于以往仅支持离线模式（即对完整视频进行查询和响应）的模型，我们的模型支持**在视频流中的在线交互**。它能够在流媒体过程中**主动**更新响应，例如实时记录活动变化或帮助用户完成下一步操作。即使是基于音频驱动的 GPT-4o，也需要用户通过语音与视觉场景互动，而不能真正实现视频流处理。\n\n- **廉价且可扩展的流式数据合成**：目前用于训练多模态大语言模型的视频数据集大多是离线的，不适合训练在线视频语言模型。我们的方法通过提示开源大语言模型，**将任何离线标注转化为流式对话数据**。该模型完全基于 Llama 合成的数据进行训练。\n\n- **并行化实时推理**：我们的推理方法将视频编码、视频帧的 LLM 前向传播以及 LLM 响应生成**并行化**，并以异步方式安排它们。这显著提升了实时性能，在 A100 GPU 上可达到 10-15 FPS。\n\n### 快速开始\n\n- （推荐）在本地启动 Gradio 演示：\n```sh\npython -m demo.app --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus\n```\n\n但如果 flash-attn 出现一些问题，可以尝试使用以下命令：\n```sh\npython -m demo.app --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus --attn_implementation sdpa\n```\n\n- （推荐）在本地启动 CLI：\n```sh\npython -m demo.cli --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus\n```\n\n- （已弃用，Hugging Face Spaces 过慢）请尝试在 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fchenjoya\u002Fvideollm-online\" target=\"_blank\"> \u003Cimg alt=\"演示\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face Spaces-ffc107?color=ffc107\" \u002F> \u003C\u002Fa> 上进行演示。\n\n通过传递 ```--resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus```，PEFT 检查点将自动下载并应用到 ```meta-llama\u002FMeta-Llama-3-8B-Instruct``` 上。\n\n### 安装\n\n请确保已安装 Miniconda 和 Python 3.10 或更高版本，然后运行：\n```sh\nconda install -y pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia\npip install transformers accelerate deepspeed peft editdistance Levenshtein tensorboard gradio moviepy submitit\npip install flash-attn --no-build-isolation\n```\n\nPyTorch 源代码会安装 ffmpeg，但通常是旧版本，预处理质量较低。请按照以下步骤安装最新版 ffmpeg：\n```sh\nwget https:\u002F\u002Fjohnvansickle.com\u002Fffmpeg\u002Freleases\u002Fffmpeg-release-amd64-static.tar.xz\ntar xvf ffmpeg-release-amd64-static.tar.xz\nrm ffmpeg-release-amd64-static.tar.xz\nmv ffmpeg-7.0.2-amd64-static ffmpeg\n```\n\n如果你想在实时流中使用音频来体验我们的模型，请同时克隆 ChatTTS。\n```sh\npip install omegaconf vocos vector_quantize_pytorch cython\ngit clone git+https:\u002F\u002Fgithub.com\u002F2noise\u002FChatTTS\nmv ChatTTS demo\u002Frendering\u002F\n```\n\n### 训练与评估\n\n- 从 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fchenjoya\u002Fvideollm-online-chat-ego4d-134k\" target=\"_blank\">\u003Cimg alt=\"数据\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F🤗 Hugging Face 数据集-8e44ad?color=8e44ad\" \u002F>\u003C\u002Fa> 下载流式对话数据。\n\n- 对视频帧进行分布式预处理：帧率 2 FPS，分辨率为 384x384，然后使用 ```google\u002Fsiglip-large-patch16-384``` 提取 CLS 特征，并对 3x3 空间特征进行平均池化。具体操作请参考 [data\u002Fpreprocess\u002F] 目录下的说明。\n\n- 参考 [scripts\u002F] 目录下的示例。\n\n- 如果你对我们生成的流式对话数据感兴趣，请查看 [data\u002Flivechat\u002F] 目录。\n\n### 模型库\n\n#### [VideoLLM-online-8B-v1+] (https:\u002F\u002Fhuggingface.co\u002Fchenjoya\u002Fvideollm-online-8b-v1plus)\n* LLM：meta-llama\u002FMeta-Llama-3-8B-Instruct\n* 视觉策略：\n    * 帧编码器：google\u002Fsiglip-large-patch16-384\n    * 帧特征：CLS 特征 + 3x3 平均池化的空间特征\n    * 帧率：训练时 2 FPS，推理时 2~10 FPS\n    * 帧分辨率：最大分辨率 384，通过零填充保持宽高比\n    * 视频长度：10 分钟\n* 训练数据：Ego4D 叙述流 11.3 万条 + Ego4D 目标步骤流 2.1 万条\n\n#### [VideoLLM-online-8B-v1] (...)\n* LLM：meta-llama\u002FMeta-Llama-3-8B-Instruct\n* 视觉策略：\n    * 帧编码器：google\u002Fsiglip-large-patch16-384\n    * 帧特征：CLS 特征\n    * 帧率：训练时 2 FPS，推理时 2~10 FPS\n    * 帧分辨率：最大分辨率 384，通过零填充保持宽高比\n    * 视频长度：60 分钟\n* 训练数据：Ego4D 叙述流 11.3 万条 + Ego4D 目标步骤流 2.1 万条\n\n### VideoLLM-online 超越 Llama\n\n该代码库的实现非常简单且清晰。您只需将继承的类从 Llama 更改为 Mistral，即可获得 VideoLLM-online 的 Mistral 版本。请参考 [models\u002Flive_llama](models\u002Flive_llama\u002F) 中的示例。\n\n### 引用\n\n```\n@inproceedings{videollm-online,\n  author       = {Joya Chen 和 Zhaoyang Lv 和 Shiwei Wu 和 Kevin Qinghong Lin 和 Chenan Song 和 Difei Gao 和 Jia-Wei Liu 和 Ziteng Gao 和 Dongxing Mao 和 Mike Zheng Shou},\n  title        = {VideoLLM-online：用于流式视频的在线视频大语言模型},\n  booktitle    = {CVPR},\n  year         = {2024},\n}\n```","# VideoLLM-online 快速上手指南\n\nVideoLLM-online 是首个支持流式视频交互的视频大语言模型。它能够在长视频（如 10 分钟）中实现实时在线互动，主动更新回答（如记录活动变化或提供实时步骤指导），在 NVIDIA A100 GPU 上推理速度可达 10-15 FPS。\n\n## 环境准备\n\n**系统要求：**\n*   **操作系统**: Linux (推荐)\n*   **Python 版本**: >= 3.10\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡 (推荐 3090 及以上，显存建议 24GB+)\n*   **包管理器**: Miniconda 或 Anaconda\n\n**前置依赖说明：**\n*   本项目依赖较新版本的 PyTorch 和 Transformers。\n*   **重要提示**：系统自带的 `ffmpeg` 通常版本过旧，会导致视频预处理质量低下，必须手动安装最新版 `ffmpeg`。\n\n## 安装步骤\n\n### 1. 创建 Conda 环境并安装 PyTorch\n首先创建环境并安装与 CUDA 12.1 兼容的 PyTorch 全家桶：\n\n```sh\nconda create -n videollm python=3.10 -y\nconda activate videollm\nconda install -y pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia\n```\n\n### 2. 安装 Python 依赖库\n安装核心依赖及 `flash-attn`（用于加速注意力机制）：\n\n```sh\npip install transformers accelerate deepspeed peft editdistance Levenshtein tensorboard gradio moviepy submitit\npip install flash-attn --no-build-isolation\n```\n> **注意**：如果国内网络下载 `flash-attn` 失败，可尝试使用清华源或阿里源：\n> `pip install flash-attn --no-build-isolation -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 3. 安装最新版 FFmpeg\nPyTorch 自带的 ffmpeg 版本较老，请执行以下命令下载并配置静态编译版 ffmpeg (7.0.2)：\n\n```sh\nwget https:\u002F\u002Fjohnvansickle.com\u002Fffmpeg\u002Freleases\u002Fffmpeg-release-amd64-static.tar.xz\ntar xvf ffmpeg-release-amd64-static.tar.xz\nrm ffmpeg-release-amd64-static.tar.xz\nmv ffmpeg-7.0.2-amd64-static ffmpeg\nexport PATH=$PWD\u002Fffmpeg\u002Fbin:$PATH\n```\n*(建议将 export 命令加入 ~\u002F.bashrc 以永久生效)*\n\n### 4. (可选) 安装音频支持\n若需体验实时流式音频交互，需克隆并安装 ChatTTS 相关依赖：\n\n```sh\npip install omegaconf vocos vector_quantize_pytorch cython\ngit clone git+https:\u002F\u002Fgithub.com\u002F2noise\u002FChatTTS\nmv ChatTTS demo\u002Frendering\u002F\n```\n\n## 基本使用\n\n模型权重将通过 `--resume_from_checkpoint` 参数自动从 Hugging Face 下载并应用于基座模型。\n\n### 方式一：启动 Web 演示界面 (推荐)\n使用 Gradio 启动本地网页端，支持上传视频并进行流式对话：\n\n```sh\npython -m demo.app --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus\n```\n\n**故障排除**：如果运行时报错涉及 `flash-attn`，请添加 `--attn_implementation sdpa` 参数改用标准注意力实现：\n\n```sh\npython -m demo.app --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus --attn_implementation sdpa\n```\n\n### 方式二：启动命令行交互 (CLI)\n偏好终端操作的用户可使用以下命令：\n\n```sh\npython -m demo.cli --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus\n```\n\n### 使用说明\n*   **模型版本**：上述命令默认加载 `videollm-online-8b-v1plus` 版本（基于 Llama-3-8B-Instruct），该版本针对流式 EOS loss 进行了优化，性能更强。\n*   **输入方式**：启动后，直接在界面或终端中输入视频路径即可开始流式分析。模型支持长达 10 分钟的视频处理。","某电商平台的直播运营团队正利用 AI 助手实时监控长达数小时的带货直播流，以便在突发状况发生时立即干预。\n\n### 没有 videollm-online 时\n- **响应严重滞后**：传统模型必须等待视频片段下载完整或直播结束后才能分析，无法在主播讲错价格或展示违规画面的瞬间发出警报。\n- **交互被动且割裂**：系统只能回答“刚才发生了什么”，无法像真人一样随着直播进程主动更新状态（如“主播正在拆箱新款”），缺乏连续性。\n- **算力资源浪费**：为了追求实时性，往往需要多路并发处理短视频切片，导致显存占用极高且推理帧率低下，难以支撑长时直播。\n- **数据合成困难**：缺乏高质量的流式对话训练数据，导致模型在面对连续变化的视觉场景时，逻辑经常断裂或产生幻觉。\n\n### 使用 videollm-online 后\n- **毫秒级流式响应**：videollm-online 支持在线视频流交互，能在直播进行的第 5 秒就识别出异常画面并推送预警，实现真正的“边看边判”。\n- **主动式动态更新**：模型能根据视频流变化主动汇报进展（如“优惠券已上架，观众弹幕激增”），无需人工反复提问，如同拥有一位全天候的实时导播。\n- **高效并行推理**：得益于其并行化架构，videollm-online 在单张 A100 显卡上即可对 10 分钟以上的长视频保持 10-15 FPS 的流畅处理，大幅降低部署成本。\n- **数据自给自足**：利用其独特的离线标注转流式对话技术，团队可快速构建定制化的直播场景训练集，显著提升模型对特定业务场景的理解力。\n\nvideollm-online 将视频理解从“事后复盘”升级为“实时伴随”，让 AI 真正具备了与动态世界同步思考的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshowlab_videollm-online_08f1640f.png","showlab","Show Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshowlab_fc159bb4.png","",null,"https:\u002F\u002Fsites.google.com\u002Fview\u002Fshowlab","https:\u002F\u002Fgithub.com\u002Fshowlab",[84,88,92,96,100],{"name":85,"color":86,"percentage":87},"Python","#3572A5",51.1,{"name":89,"color":90,"percentage":91},"JavaScript","#f1e05a",38.8,{"name":93,"color":94,"percentage":95},"HTML","#e34c26",6.3,{"name":97,"color":98,"percentage":99},"Shell","#89e051",3.2,{"name":101,"color":102,"percentage":103},"CSS","#663399",0.7,656,71,"2026-04-09T13:23:18","Apache-2.0",4,"Linux","必需 NVIDIA GPU。测试环境：NVIDIA 3090 (5-10 FPS), A100 (10-15 FPS)。CUDA 版本推荐 12.1 或 12.8 (pytorch-cuda=12.1 \u002F cu128)。显存未明确说明，但基于 8B 模型建议 16GB+。","未说明",{"notes":113,"python":114,"dependencies":115},"1. 必须手动安装最新版 ffmpeg (推荐 7.0.2)，PyTorch 自带的版本会导致预处理质量低。\n2. 若 flash-attn 安装或运行报错，可添加 '--attn_implementation sdpa' 参数使用标准注意力机制。\n3. 如需实时音频流功能，需额外克隆并安装 ChatTTS 及相关依赖 (vocos, vector_quantize_pytorch 等)。\n4. 模型基于 Meta-Llama-3-8B-Instruct 和 SigLIP 视觉编码器，首次运行会自动下载 PEFT 检查点。","3.10+",[116,117,118,119,120,121,122,123,124],"torch>=2.7.1","transformers==4.55.4","accelerate","deepspeed","peft","flash-attn","gradio","moviepy","ffmpeg>=7.0.2",[15,35,54],"2026-03-27T02:49:30.150509","2026-04-11T03:27:29.662962",[129,134,139,144,148,153],{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},28672,"如何获取高准确率的训练结果？有哪些关键参数建议？","获得高准确率的关键在于：1. 避免训练损失出现尖峰（loss spike），一旦发生请立即停止并尝试其他配置；2. 在确保不出现损失尖峰的前提下，尽可能使用较高的学习率。维护者推荐的参考参数为：学习率 (lr) = 0.00015，流式损失权重 (stream_loss_weight) = 0.5。如果环境不稳定导致无法收敛，可尝试将学习率降低至 1e-4。当前推荐的环境配置为：torch 2.4.0, cuda 12.4, transformers 4.44.0。","https:\u002F\u002Fgithub.com\u002Fshowlab\u002Fvideollm-online\u002Fissues\u002F10",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},28673,"运行 Demo 时遇到 'video_reader video backend is not available' 错误如何解决？","该错误通常是因为当前的 PyTorch\u002FTorchvision 环境不支持 'video_reader' 后端。解决方法是将代码中的视频后端设置从 'video_reader' 修改为 'pyav'。具体操作是在导入 torchvision 后，将 `torchvision.set_video_backend('video_reader')` 注释掉或改为 `torchvision.set_video_backend('pyav')`。此外，启动 Gradio Demo 时也可以添加 `--attn_implementation sdpa` 参数来辅助解决相关兼容性问题。","https:\u002F\u002Fgithub.com\u002Fshowlab\u002Fvideollm-online\u002Fissues\u002F16",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},28674,"COIN 数据集评估结果复现不一致或有报错，原因是什么？","COIN 评估之前的版本存在 Bug，主要修复内容包括：1. 添加了 `generation_after_embed` 函数；2. 在评估过程中不再提供 assistant  responses（助手回复）。如果遇到 `input_ids is out of range` 等奇怪报错，请确保拉取了最新的代码以获取这些修复。此外，评估结果偏低可能是因为训练未完全收敛或学习率设置不当，建议检查训练日志确认损失是否稳定。","https:\u002F\u002Fgithub.com\u002Fshowlab\u002Fvideollm-online\u002Fissues\u002F2",{"id":145,"question_zh":146,"answer_zh":147,"source_url":138},28675,"模型推理时显存消耗和视频处理长度有什么限制？","视频处理长度主要取决于 GPU 的显存大小。根据维护者经验，对于 24GB 显存的 GPU，大约可以处理 5 到 10 分钟长度的视频。如果不使用额外的 memory 机制且进行压缩处理，理论上可以处理更长的帧序列，但具体上限仍受限于 LLM 的上下文窗口和显存容量。",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},28676,"使用第三方下载的 Llama3 模型运行 Demo 时报错，可能是什么原因？","如果使用的是从第三方网址下载的较新版本 Llama3 模型，可能会遇到 eos token（结束符标记）未正确更改的问题，从而导致推理出错。建议检查模型配置文件中的 eos token 设置，或者尝试使用官方源提供的模型权重以确保兼容性。","https:\u002F\u002Fgithub.com\u002Fshowlab\u002Fvideollm-online\u002Fissues\u002F15",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},28677,"安装依赖后运行 Demo 遇到 Flash Attention 或 Transformers 导入错误怎么办？","如果在安装最新 ffmpeg 和 torchvision 后仍遇到类似 `modeling_flash_attention_utils` 的导入错误或后端不可用错误，建议在启动命令中显式指定注意力实现方式。例如，运行 Gradio Demo 时添加 `--attn_implementation sdpa` 参数：`python -m demo.app --resume_from_checkpoint chenjoya\u002Fvideollm-online-8b-v1plus --attn_implementation sdpa`。这可以避免对特定 Flash Attention 版本的依赖问题。","https:\u002F\u002Fgithub.com\u002Fshowlab\u002Fvideollm-online\u002Fissues\u002F24",[]]