/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
19,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Опубликована
25 мар 2026

VEGA-3D-Spatial-Reasoning

Компьютерное зрениеВидео, текст → текст3 профессии

VEGA-3D — модель для пространственного понимания сцен и принятия решений по видео, использующая неявные трёхмерные признаки.

103скачиваний за 30 дней1лайквеса обновлены4 июл 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

VEGA-3D (Video Extracted Generative Awareness) — модель на архитектуре Qwen2.5-VL с 7,1 млрд параметров, предназначенная для понимания видео с учётом пространственных признаков. Она использует подход, описанный в работе «Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding»: предварительно обученная видеодиффузионная модель применяется как симулятор латентного мира, чтобы дополнить мультимодальную языковую модель неявными трёхмерными пространственными априорными знаниями. Модель ориентирована на понимание сцен, пространственные рассуждения и принятие решений в задачах с воплощёнными агентами; заявленный pipeline Hugging Face — video-text-to-text.

Контекст модели составляет 128 000 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка описывает VEGA-3D как подключаемый фреймворк для расширения возможностей MLLM; сведений о поддерживаемых естественных языках и измеренных показателях качества нет. Практическое применение зависит от наличия совместимого базового окружения и компонентов фреймворка.

Сценарии применения

  • пространственные рассуждения по видеосценам
  • понимание трёхмерной структуры сцены по видео
  • анализ объектов и их взаимного расположения в видео
  • поддержка решений воплощённого агента на основе визуальной сцены

Ограничения

Карточка не приводит результатов оценивания качества или списка поддерживаемых языков. Для использования фреймворка могут требоваться совместимые компоненты базовой модели и видеодиффузионной модели.

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

VEGA-3D (Video Extracted Generative Awareness)

VEGA-3D is a plug-and-play framework that repurposes a pre-trained video diffusion model as a Latent World Simulator to enrich Multimodal Large Language Models (MLLMs) with implicit 3D spatial priors for scene understanding, spatial reasoning, and embodied decision making.

More details can be found in the paper: Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding.

Citation

If you find VEGA-3D useful in your research, please consider citing:

@inproceedings{wu2026vega,
      title={Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding},
      author={Xianjin Wu and Dingkang Liang and Tianrui Feng and Kui Xia and Yumeng Zhang and Xiaofan Li and Xiao Tan and Xiang Bai},
      booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
      year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGenerationWithGenerative
Ревизия весов
efd81a5

0 моделей