/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
30 авг 2026

MotionInsight-8B

Компьютерное зрениеВидео, текст → текст3 профессии

Мультимодальная модель для анализа сгенерированных видео и оценки стабильности объектов, согласованности движения и физической правдоподобности.

74скачиваний за 30 дней2лайкавеса обновлены3 окт 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

MotionInsight-8B — мультимодальная модель, разработанная авторами проекта MotionInsight для диагностики движения объектов в сгенерированных видео. Она анализирует RGB-кадры, траектории объектов и движение камеры, формирует рассуждение и выставляет три оценки от 1 до 5: стабильность структуры объектов, согласованность движения и физическая правдоподобность.

Модель основана на Qwen3-VL-8B-Instruct с архитектурой Qwen3-VL и предназначена для оценки качества движения в видео, созданных генеративными системами. Для запуска требуются Python 3.10 и специальная версия Transformers с патчем из репозитория проекта. Веса представлены в четырёх BF16-файлах Safetensors общим объёмом около 17,7 ГБ. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • оценка непрерывности движения объектов в сгенерированном видео
  • проверка сохранения формы и структуры объектов между кадрами
  • оценка физической правдоподобности движения в видео
  • анализ траекторий объектов и движения камеры
  • получение объяснения и оценок качества движения в видео

Ограничения

Предназначена для диагностики движения в сгенерированных видео и оценивает только три указанных измерения. Для запуска требуется пользовательский патч Transformers из репозитория проекта.

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

MotionInsight-8B

MotionInsight diagnoses object motion in generated videos using RGB frames, object tracks, and camera motion. It produces reasoning and three scores from 1 (poor) to 5 (excellent):

DimensionOutput field
Object consistencystructural_stability
Motion continuitymotion_coherence
Physical plausibilityphysical_plausibility

The model is based on Qwen3-VL-8B-Instruct and uses four BF16 Safetensors shards (approximately 17.7 GB).

Quick start

Use Python 3.10 and the custom Qwen3-VL patch from the code repository:

git clone --recurse-submodules https://github.com/JohnZhan2023/MotionInsight.git
cd MotionInsight
python3.10 -m venv .venv-model
source .venv-model/bin/activate
python -m pip install --upgrade pip
python -m pip install huggingface-hub==0.36.2
hf download JohnZhan/MotionInsight-8B --local-dir checkpoints/MotionInsight-8B
python -m pip install torch==2.11.0 torchvision==0.26.0 \
  --index-url https://download.pytorch.org/whl/cu126
python -m pip install -r checkpoints/MotionInsight-8B/requirements/inference.txt
python scripts/patch_transformers.py

After extracting motion features, run:

python inference.py \
  --model_name_or_path checkpoints/MotionInsight-8B \
  --video_path /path/to/video.mp4 \
  --object_motion_path /path/to/object_motion.pt \
  --camera_motion_path /path/to/camera_motion.pt \
  --target "tennis ball" \
  --output_path outputs/prediction.jsonl

Example answer format:

<thinking>Diagnostic reasoning about the target object's motion.</thinking>
<answer>{"structural_stability": 3.0, "physical_plausibility": 4.5, "motion_coherence": 3.5}</answer>

GRPO

The code repository includes a GRPO fine-tuning script:

python -m pip install -r checkpoints/MotionInsight-8B/requirements/train.txt
ATTN_IMPLEMENTATION=sdpa bash training/run_grpo.sh \
  checkpoints/MotionInsight-8B /path/to/train.jsonl outputs/motioninsight-grpo

See the repository README for the input format and preprocessing setup.

License

Model weights use Apache-2.0. Preprocessing dependencies retain their own licenses; see NOTICE.

Citation

@misc{zhan2026motioninsightdiagnosingobjectmotion,
  title         = {MotionInsight: Diagnosing Object Motion Deficiencies in Generated Videos},
  author        = {Jiahao Zhan and Yongrui Ma and Qunliang Xing and Xuanyu Zhang and Jingqi Tong and Junlin Li and Li zhang and Shijie Zhao and Tianfan Xue},
  year          = {2026},
  eprint        = {2609.37030},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV},
  url           = {https://arxiv.org/abs/2609.37030},
}

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
ae02a5d

0 моделей