/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
14 мая 2026

DepthVLM-4B

Оценка глубиныИзображение → depth_map3 профессии

DepthVLM-4B — дообученная мультимодальная модель Qwen3-VL для предсказания плотных метрических карт глубины по изображениям.

239скачиваний за 30 дней9лайковвеса обновлены22 мая 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 «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

DepthVLM-4B — мультимодальная модель для оценки глубины по изображениям, созданная авторами проекта DepthVLM. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct: к языковой модели добавлена лёгкая голова предсказания глубины, а обучение проходит в два этапа. Модель формирует плотную метрическую карту глубины и может одновременно выдавать языковой ответ.

Модель рассчитана на оценку глубины в помещениях и на улице, а также поддерживает мультимодальное понимание и пространственное рассуждение. В README заявлены предсказания карты глубины в полном разрешении и более быстрый инференс по сравнению с некоторыми другими VLM-подходами; приведены результаты на бенчмарках Argoverse2, Waymo и DDAD. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • оценка глубины на изображениях с уличными сценами
  • построение карт глубины для изображений помещений
  • получение метрической геометрии сцены для задач 3D-зрения
  • совместный анализ изображения и генерация текстового ответа

Ограничения

README не приводит полных условий оценки и ограничений качества; заявленные сравнения охватывают выбранные бенчмарки, поэтому результаты не гарантируют качество на других типах сцен.

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

📰 News


🌟 Model Overview

DepthVLM serves as a unified foundation model for both low-level dense geometry prediction and high-level multimodal understanding, while achieving substantially faster inference compared with existing VLM-based approaches such as DepthLM and Youtu-VL.

By attaching a lightweight depth head to the LLM backbone and adopting a two-stage supervision paradigm, DepthVLM transforms a single VLM into a native dense geometry predictor, while preserving its multimodal capabilities and enhancing its spatial reasoning.

🧠 Key Characteristics

  • Native Dense Metric Depth Estimation in VLMs: Directly predicts geometry within the VLM framework.

  • Unified Multimodal Understanding and Geometry Prediction: Generates full-resolution depth maps alongside language outputs in a single forward pass.

  • Efficient Inference: Achieves higher efficiency compared to per-pixel query or coarse token-level outputs.

  • Versatile Application: Supports both indoor and outdoor metric depth estimation.

  • Improved 3D Spatial Reasoning: Moving toward a truly unified foundation model.


🚀 Main Results

Comparison with VLMs

BenchmarkOurs-8BOurs-4BDepthLM-12BYoutu-VL-4B
Argoverse20.7980.8100.7610.663
Waymo0.8650.8790.5880.473
DDAD0.8130.8180.6540.342
NuScenes0.8310.8210.7360.698
ETH3D0.9280.9240.6660.286
ScanNet++0.9010.8610.7560.522
SUN RGB-D0.8890.8820.7850.734
IBims-10.9360.9120.7540.856
NYUv20.9200.9080.8660.849

Bold and underlined indicate the best and second-best results among the compared models. More details can be found in our paper.

Citation

If you find DepthVLM useful for your research or applications, please consider citing our work using the following BibTeX:

@article{yu2026unlocking,
    title={Unlocking Dense Metric Depth Estimation in VLMs},
    author={Hanxun Yu and Xuan Qu and Yuxin Wang and Jianke Zhu and Lei Ke},
    journal={arXiv preprint arXiv:2605.15876},
    year={2026}
}

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
2b2d02f

0 моделей