/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl_geometry · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
29 июн 2026

3D_HAMSTER

Языковая модельИзображение, текст → action3 профессии

3D HAMSTER планирует метрически привязанные 3D-траектории манипулятора по RGB-D-наблюдению и текстовой инструкции.

33скачиваний за 30 дней2лайкавеса обновлены1 июл 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

3D HAMSTER — модель-планировщик для робототехники, разработанная авторами проекта 3D HAMSTER и представленная на IROS 2026. Она принимает одно наблюдение RGB-D и текстовую инструкцию, а затем предсказывает метрически привязанную траекторию конечного звена манипулятора в 3D. Модель объединяет Qwen3-VL-8B, визуальный энкодер и геометрический энкодер LingBot-Depth на базе DINOv2 ViT-L/14; веса геометрического энкодера заморожены. Чекпойнт содержит около 9 млрд параметров в формате bf16 и использует пользовательскую архитектуру Qwen3VLGeometryForConditionalGeneration.

Модель предназначена для планирования манипуляций по RGB-D-данным и языковым командам. Выходную 3D-траекторию можно передавать низкоуровневой политике, работающей с облаком точек. Для запуска требуется пакет hamster3d. Модель дообучена на базе Qwen/Qwen3-VL-8B-Instruct и распространяется по лицензии Apache-2.0. README не приводит конкретных языков инструкций, размера контекста или результатов бенчмарков.

Сценарии применения

  • планирование траектории захвата объекта по RGB-D-кадру
  • управление манипулятором по текстовой команде
  • построение 3D-траектории конечного звена для низкоуровневой политики
  • пространственное планирование роботизированных манипуляций

Ограничения

Для инференса требуется пользовательская архитектура и пакет hamster3d. В README не приведены результаты бенчмарков и перечень поддерживаемых языков инструкций.

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

3D HAMSTER : Bridging Planning and Control in Hierarchical Vision Language Action Models through 3D Trajectory Guidance

🎉 Accepted to IROS 2026 — IEEE/RSJ International Conference on Intelligent Robots and Systems

📄 arXiv  ·  🌐 Project Page  ·  💻 Code

3D HAMSTER is a depth-aware VLM planner that predicts metrically grounded 3D end-effector trajectories directly from a single RGB-D observation and a language instruction. Unlike 2D planners whose pixel waypoints inherit whatever depth lies beneath them, 3D HAMSTER plans in metric 3D space, so the trajectory stays geometrically grounded and can feed straight into a point-cloud low-level policy.

This repository hosts the planner checkpoint — a single self-contained checkpoint (9B, bf16) that bundles the Qwen3-VL LLM, the vision encoder, the geometry merger, and the frozen LingBot-Depth geometry encoder weights.

Usage

This is a custom architecture (Qwen3VLGeometryForConditionalGeneration) and requires the hamster3d package (which vendors the geometry-encoder code). No separate LingBot-Depth download is needed — the encoder code is in the package and its weights are in this checkpoint.

# 1. Install the inference code
git clone https://github.com/DAVIAN-Robotics/3D_HAMSTER.git
cd 3D_HAMSTER && pip install -e .

# 2. Download this checkpoint into ./ckpt
hf download DAVIAN-Robotics/3D_HAMSTER --local-dir ckpt
from hamster3d.inference import Hamster3DPredictor
import numpy as np
from PIL import Image

predictor = Hamster3DPredictor("ckpt/")          # device="cuda:0", bf16 by default

rgb = Image.open("examples/sample_0_rgb.png")
depth = np.load("examples/sample_0_depth.npy")   # float32, meters, shape (H, W)
instruction = open("examples/sample_0_instruction.txt").read().strip()

result = predictor.predict(rgb, depth, instruction)   # 3D trajectory prediction
print(result["waypoints"])   # [[u, v, depth], ...]  pixel u,v (0-1000) + metric depth (m)
print(result["actions"])     # ["Close Gripper", None, ..., "Open Gripper"]

Inputs: an RGB image (any resolution; auto-resized to 640 px longest edge) + a metric depth map (float32, meters, aligned to the RGB frame) + a language instruction. Output: a metric 3D end-effector trajectory — [u, v, depth] waypoints with per-waypoint gripper actions.

The Gradio demo in the code repo additionally supports 2D Trajectory, 2D/3D Pointing, 2D Bounding Box, and General VQA task styles.

Download tip: if hf download stalls, disable the xet backend: HF_HUB_DISABLE_XET=1 hf download DAVIAN-Robotics/3D_HAMSTER --local-dir ckpt.

Model Details

ComponentDetails
Base VLMQwen3-VL-8B (Stage-1 pretrained)
Geometry encoderLingBot-Depth — DINOv2 ViT-L/14, frozen (~306M params)
Fusionresize_and_add (element-wise add after spatial alignment)
TrainingLoRA (rank 64, α 128) on the LLM + fully trained merger/decoder, with a dense depth-reconstruction loss
Precisionbfloat16

See the project page for benchmarks and qualitative results.

Acknowledgments & Licensing

Released under the Apache License 2.0. 3D HAMSTER builds on:

  • Qwen3-VL — base vision-language model.
  • LingBot-Depth (Robbyant, Apache-2.0) — the geometry encoder; its frozen weights are bundled in this checkpoint and its code is vendored in the hamster3d package.
  • DINOv2 (Meta AI, Apache-2.0) — backbone of the LingBot-Depth encoder.

All bundled components are Apache-2.0; their attributions are retained.

Citation

@INPROCEEDINGS{hwang20263dhamster,
  author={Hwang, Dongyoon and Lee, Byungkun and Kim, Dongjin and Jang, Hyojin and Jin, Hoiyeong and Mun, Jueun and Park, Minho and Lee, Hojoon and Kim, Hyunseung and Choo, Jaegul},
  booktitle={2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)},
  title={{3D HAMSTER}: Bridging Planning and Control in Hierarchical Vision Language Action Models through {3D} Trajectory Guidance},
  year={2026}}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
Qwen3VLGeometryForConditionalGeneration
Ревизия весов
ddc5987

0 моделей