/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
28 сен 2026

FAR-Checkpoints

Видео из изображенияИзображение, текст → видео

Набор контрольных точек FAR и базовых моделей для генерации видео по изображению с памятью, учитывающей действия, в задачах навигации.

0скачиваний за 30 дней0лайковвеса обновлены4 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

1202kbs/FAR-Checkpoints — набор обученных контрольных точек для FAR, латентной диффузионной модели мира с памятью извлечения эпизодов, управляемой действиями. Репозиторий также содержит базовые модели для сравнения; контрольные точки подготовлены для корпусов LoopNav, SoundSpaces и AI2-THOR.

Модель предназначена для генерации видео по входному изображению в сценариях навигации и embodied AI. Пакеты включают веса генератора EMA, состояние обученной или замороженной памяти и шаг обучения; они рассчитаны на инференс и не позволяют продолжить обучение. Для некоторых корпусов используются VAE-токенизаторы, включая SDXL VAE, загружаемый отдельно.

В метаданных указаны задача image-to-video, формат PyTorch и лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. README описывает несколько вариантов FAR и сравнительных подходов к извлечению памяти, но не приводит точные параметры модели или поддерживаемые языки.

Сценарии применения

  • генерация последовательности кадров для навигации по входному изображению
  • моделирование визуальной среды для embodied AI
  • оценка подходов к эпизодической памяти в LoopNav
  • сравнение моделей мира на сценах AI2-THOR
  • моделирование навигационных сцен SoundSpaces

Ограничения

Контрольные точки предназначены для инференса и не подходят для возобновления обучения. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FAR checkpoints

Checkpoint bundles for FAR, a latent-diffusion world model with a learned, action-conditioned retrieval memory, and its baselines, on the LoopNav, SoundSpaces and AI2-THOR corpora.

Layout

The repo mirrors the code's models/ directory, so a download lands exactly where the configs, launchers and notebooks look:

<corpus>/<arm>/config.yaml                  # rebuilds the model (Hydra)
<corpus>/<arm>/checkpoints/<step>.pth.tar   # EMA generator weights + memory state + step (inference only)
oasis_500m_vit_vae.pth                      # ViT-VAE tokenizer for LoopNav latents
agent_cell_detector.pt                      # latent agent-cell detector for the AI2-THOR-dyn probe
bundles.json                                # this listing with sizes and SHA-256

Bundles hold what inference needs (EMA generator, the trained or frozen memory state, the training step) and cannot resume training. The SDXL VAE used for the SoundSpaces and AI2-THOR corpora is fetched from madebyollin/sdxl-vae-fp16-fix automatically.

Download

python scripts/download_release.py                       # everything, ~13 GB
python scripts/download_release.py --corpus ai2thor_v3   # one corpus
python scripts/download_release.py --arm loopnav/far_multicue

or huggingface-cli download 1202kbs/FAR-Checkpoints --local-dir models.

Bundles

CorpusBundleArmStepSize
AI2-THOR-dynai2thor_dyn/far_metaFAR -- Meta500k0.56 GB
AI2-THOR-dynai2thor_dyn/far_multicueFAR -- Multi-Cue500k0.56 GB
AI2-THOR-dynai2thor_dyn/temporalTemporal500k0.49 GB
AI2-THOR-dynai2thor_dyn/worldmemWorldMem500k0.49 GB
AI2-THOR-dynai2thor_dyn/retriever_objectretriever (object cue), init of the FAR arms12.5k0.06 GB
AI2-THOR v3ai2thor_v3/far_multicueFAR -- Multi-Cue700k0.55 GB
AI2-THOR v3ai2thor_v3/temporalTemporal700k0.49 GB
AI2-THOR v3ai2thor_v3/worldmemWorldMem700k0.49 GB
AI2-THOR v3ai2thor_v3/retriever_jeparetriever (visual), init of the FAR arm400k0.06 GB
LoopNavloopnav/far_metaFAR -- Meta700k0.55 GB
LoopNavloopnav/far_multicueFAR -- Multi-Cue700k0.55 GB
LoopNavloopnav/far_visualFAR -- Visual700k0.55 GB
LoopNavloopnav/far_frozen_encoderablation: the pre-trained visual retriever, frozen, no adapter700k0.55 GB
LoopNavloopnav/far_ablation_zablation: FAR -- Multi-Cue with a fixed cue weight (0.5)700k0.55 GB
LoopNavloopnav/longlive_ragLongLive-RAG700k0.55 GB
LoopNavloopnav/temporalTemporal700k0.49 GB
LoopNavloopnav/worldmemWorldMem700k0.49 GB
LoopNavloopnav/retriever_jeparetriever (visual), init of the FAR arms400k0.06 GB
LoopNavloopnav/retriever_longliveretriever (content query), init of LongLive-RAG400k0.06 GB
SoundSpaces v1soundspaces_v1/far_metaFAR -- Meta700k0.55 GB
SoundSpaces v1soundspaces_v1/far_multicueFAR -- Multi-Cue700k0.55 GB
SoundSpaces v1soundspaces_v1/temporalTemporal700k0.49 GB
SoundSpaces v1soundspaces_v1/worldmemWorldMem700k0.49 GB
SoundSpaces v1soundspaces_v1/retriever_audioretriever (audio), init of the SoundSpaces v1 and v2 FAR arms400k0.06 GB
SoundSpaces v2soundspaces_v2/far_metaFAR -- Meta700k0.55 GB
SoundSpaces v2soundspaces_v2/far_multicueFAR -- Multi-Cue700k0.55 GB
SoundSpaces v2soundspaces_v2/temporalTemporal700k0.49 GB
SoundSpaces v2soundspaces_v2/worldmemWorldMem700k0.49 GB

"Temporal" and "WorldMem" are the recency and field-of-view retrieval baselines, "LongLive-RAG" the content-query retrieval baseline; the FAR arms differ in the cues the retriever fuses (metadata, visual, multi-cue); the two LoopNav ablations complete the paper's LoopNav ablation table. The retriever bundles are the contrastively pre-trained encoders the FAR launchers start from; evaluation does not need them (each FAR bundle already carries its trained retriever).

License

CC BY-NC 4.0. The generator and diffusion code these weights belong to are adapted from Navigation World Models and DiT (Meta Platforms, CC BY-NC 4.0); see the code repository's THIRD_PARTY_NOTICES.md.

The SoundSpaces bundles (soundspaces_v1/*, soundspaces_v2/*) were trained on episodes rendered from Matterport3D scenes, so their use is additionally subject to the Matterport3D Terms of Use (non-commercial academic research).

Citation

@article{kim2026far,
  title   = {Learning What to Recall: Adaptive Multi-Cue Episodic Memory for World Models},
  author  = {Kim, Beomsu and Lai, Chieh-Hsin and Nguyen, Bac and Bar, Amir and Ye, Jong Chul and Mitsufuji, Yuki},
  journal = {arXiv preprint arXiv:2609.34677},
  year    = {2026},
  url     = {https://arxiv.org/abs/2609.34677}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
097d4b1

0 моделей