VBench 评测权重归档
本仓库归档了 VBench 1.0 custom_input 无参考视频质量评测所需的预训练权重，
来源于 MiniMax-H3 (vLLM-Omni) 端到端评测环境（原缓存目录 vbench_cache，由 vbench_mmh3/vbench_dl_robust.sh / vbench_dl_fix.sh 脚本下载，境内网络多经 hf-mirror.com 镜像，下同）。
各目录对应 VBench 的一个或多个评测维度：
| 目录 | 权重 | 用途（VBench 维度） | 来源 |
|---|---|---|---|
clip_model/ |
ViT-B-32.pt / ViT-L-14.pt | CLIP 帧间/图文相似度（background_consistency、aesthetic_quality、imaging_quality 等） | OpenAI CLIP 官方 CDN：https://openaipublic.azureedge.net/clip/models（仓库 https://github.com/openai/CLIP） |
dino_model/ |
dino_vitbase16_pretrain.pth（+ facebookresearch_dino_main 代码） | DINO 特征追踪，subject_consistency | Meta DINO：https://dl.fbaipublicfiles.com/dino/dino_vitbase16_pretrain/dino_vitbase16_pretrain.pth，代码 https://github.com/facebookresearch/dino |
raft_model/ |
raft-things.pth | 光流，dynamic_degree | RAFT (princeton-vl)，经官方 models.zip：https://dl.dropboxusercontent.com/s/4j4z58wuv8o0mfz/models.zip，https://github.com/princeton-vl/RAFT |
amt_model/ |
amt-s.pth | 帧插值，temporal_flickering（静态度） | AMT (MCG-NKU)：https://github.com/MCG-NKU/AMT（下载自 hf 镜像 lalala125/AMT） |
aesthetic_model/ |
emb_reader/sa_0_4_vit_l_14_linear.pth | LAION 美学线性头，aesthetic_quality | https://github.com/LAION-AI/aesthetic-predictor |
pyiqa_model/ |
musiq_spaq_ckpt-358bb6af.pth | MUSIQ 无参考图像质量，imaging_quality | IQA-PyTorch release：https://github.com/chaofengc/IQA-PyTorch/releases/tag/v0.1-weights |
ViCLIP/ |
ViClip-InternVid-10M-FLT.pth + bpe_simple_vocab_16e6.txt.gz | ViCLIP 视频-文本相似度（overall_consistency 等语义维度） | https://huggingface.co/OpenGVLab/VBench_Used_Models（原始：InternVideo/ViCLIP，https://github.com/OpenGVLab/InternVideo）；bpe 词表来自 openai/CLIP |
umt_model/ |
l16_ptk710_ftk710_ftk400_f16_res224.pth | UMT 视频模型（语义维度评测） | https://huggingface.co/OpenGVLab/VBench_Used_Models（原始：https://github.com/OpenGVLab/UniversalVideoModels） |
grit_model/ |
grit_b_densecap_objectdet.pth | GRiT 密集描述/目标检测（object_class、color、spatial_relationship 等技术无关语义维度） | https://huggingface.co/OpenGVLab/VBench_Used_Models（原始 GRiT：https://github.com/aaronchan18/GRiT） |
caption_model/ |
tag2text_swin_14m.pth | Tag2Text 视频打标（语义维度 prompt 匹配） | https://huggingface.co/spaces/xinyu1205/recognize-anything |
bert_model/ |
bert-base-uncased/ | BERT 文本编码（UMT/GRiT 文本侧依赖） | https://huggingface.co/google-bert/bert-base-uncased |
说明
.done为空文件，是下载脚本断点续传的完成标记，无实际内容（未上传）。- 原始缓存中另有
videos_rep/（评测用的生成样例视频与 prompt_file.json），非权重，未归档到本仓库。 - 总大小约 7 GB；
videos_rep与.done已剔除。 - 使用方式：设置环境变量
VBENCH_CACHE_DIR指向本仓库下载后的目录（即各子目录结构与本仓库一致），再运行 VBenchcustom_input评测。