/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
MIT
Архитектура
qwen3_vl · dense
Базовая модель
ACE-Brain-0-8B
Библиотека
transformers
Опубликована
26 фев 2026

ACE-Brain-0-8B

Изображение и текст → текст3 профессии

ACE-Brain-0-8B — мультимодальная модель Qwen3-VL для пространственных рассуждений и понимания сцен в задачах воплощённого интеллекта.

36скачиваний за 30 дней8лайковвеса обновлены4 мар 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

ACE-Brain-0-8B — мультимодальная модель зрения и языка, разработанная ACE Robotics для задач воплощённого интеллекта. Она основана на архитектуре Qwen3-VL и дообучена на базе ACE-Brain/ACE-Brain-0-8B; репозиторий содержит веса в формате safetensors. Модель принимает изображения и текстовые запросы и предназначена для интерпретации сцен, пространственных рассуждений и поддержки решений в физических средах.

Основные сценарии включают пространственное познание, понимание дорожных ситуаций для автономного вождения, анализ данных низковысотного зондирования и взаимодействие с физическими агентами. В README заявлены оценки на 24 бенчмарках и сильные результаты в понимании среды, рассуждении о движении и планировании с учётом сцены. Подтверждённые в карточке входы и выходы относятся к формату image-text-to-text; конкретные языки и длина контекста не приведены. Лицензия — MIT.

Сценарии применения

  • пространственный анализ изображений и сцен
  • понимание дорожной обстановки для автономного вождения
  • интерпретация визуальных данных низковысотного зондирования
  • понимание физических взаимодействий агентов со средой
  • поддержка принятия решений и планирования по визуальному контексту

Ограничения

Заявления о результатах на 24 бенчмарках приведены в README, но сами таблицы результатов в предоставленном тексте отсутствуют. Языки и длина контекста не подтверждены предоставленными данными.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Overview

ACE-Brain-0 is a generalist multimodal foundation model designed to unify perception, reasoning, and decision-making across diverse embodied domains, including spatial cognition, autonomous driving, low-altitude sensing and embodied interaction. Built upon a unified multimodal large language model (MLLM) architecture, ACE-Brain learns a shared spatial reasoning substrate that enables generalization across heterogeneous physical environments and agent embodiments.

Extensive evaluation across 24 benchmarks demonstrates that ACE-Brain achieves state-of-the-art or competitive performance across multiple domains, validating its effectiveness as a unified embodied intelligence model.

Key Features

  • Unified multimodal foundation model for embodied intelligence
  • Strong spatial reasoning as a universal intelligence scaffold
  • Supports diverse embodiment platforms:
    • Spatial Cognition
    • Autonomous Driving
    • Low-Altitude Sensing
    • Embodied Interaction
  • Cross-domain generalization across perception, reasoning, and planning

Performance Highlights

ACE-Brain achieves strong performance across 24 benchmarks covering Spatial Cognition, Autonomous Driving, Low-Altitude Sensing and Embodied Interaction, consistently outperforming existing open-source embodied VLMs and remaining competitive with closed-source models.

The model shows robust capability in spatial reasoning, physical interaction understanding, task-oriented decision-making, and dynamic scene interpretation, enabling reliable performance across diverse real-world embodiment scenarios.

In driving and aerial domains, ACE-Brain demonstrates excellent performance in environment understanding, motion reasoning, and planning-aware prediction, highlighting its effectiveness in complex, large-scale, and safety-critical environments.

Despite its domain specialization, ACE-Brain maintains strong general multimodal reasoning ability, confirming that spatial intelligence-based training enhances overall visual-language intelligence rather than limiting generalization.

Spatial Benchmarks

Autonomous Driving Benchmarks

Low-Altitude Benchmarks

Embodied Benchmarks

Bold numbers indicate the best results, underlined numbers indicate the second-best results, and results marked with * are obtained using our evaluation framework.

Inference Example

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    "ACE-Brain/ACE-Brain-0-8B", dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("ACE-Brain/ACE-Brain-0-8B")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
)
inputs = inputs.to(model.device)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Citation

@misc{gong2026acebrain0spatialintelligenceshared,
      title={ACE-Brain-0: Spatial Intelligence as a Shared Scaffold for Universal Embodiments}, 
      author={Ziyang Gong and Zehang Luo and Anke Tang and Zhe Liu and Shi Fu and Zhi Hou and Ganlin Yang and Weiyun Wang and Xiaofeng Wang and Jianbo Liu and Gen Luo and Haolan Kang and Shuang Luo and Yue Zhou and Yong Luo and Li Shen and Xiaosong Jia and Yao Mu and Xue Yang and Chunxiao Liu and Junchi Yan and Hengshuang Zhao and Dacheng Tao and Xiaogang Wang},
      year={2026},
      eprint={2603.03198},
      archivePrefix={arXiv},
      primaryClass={cs.RO},
      url={https://arxiv.org/abs/2603.03198}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
52c23d0

0 моделей