/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
10,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
19 мая 2026

Stream3D-VLM-4B

Изображение и текст → текст3 профессии

Stream3D-VLM-4B — дообученная мультимодальная модель для потокового анализа видео и пространственных вопросов о трехмерной сцене.

188скачиваний за 30 дней4лайкавеса обновлены8 июн 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

Stream3D-VLM-4B — мультимодальная модель для потокового понимания трехмерной сцены по видео. Она разработана авторами проекта Stream3D-VLM и дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct. Модель анализирует поступающее видео по мере его трансляции и отвечает на вопросы о пространственных отношениях и изменениях сцены, не дожидаясь завершения записи или полной реконструкции сцены.

В основе лежит плотная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов. Модуль VSFI добавляет геометрические признаки из 3D-реконструкции по мере поступления видео, а GAVC сжимает визуальные токены для ускорения обработки длинных потоков. Модель обучена управлять моментом ответа и может продолжать наблюдение, когда ответ пока не нужен. Авторы сообщают о результатах на потоковом Stream3D-Bench и офлайн-бенчмарке VSI-Bench; потоковую оценку проводили при 1 кадре в секунду.

Модель предназначена для пространственного анализа видеопотока, мониторинга сцены, восприятия происходящего в реальном времени и ответов на вопросы о ранее увиденных событиях. В карточке заявлен английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о пространственных отношениях в видеопотоке
  • наблюдение за изменениями сцены в реальном времени
  • поиск объектов и событий в непрерывном видео
  • восстановление последовательности ранее увиденных событий
  • мониторинг сцены с выбором момента для ответа

Ограничения

Заявленные потоковые результаты получены при обработке видео с частотой 1 кадр в секунду; производительность при других частотах в карточке не описана. Карточка не приводит количественных метрик или подробностей ограничений по языкам.

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

Stream3D-VLM is an online 3D vision-language model that supports real-time spatial understanding and interaction directly from streaming video. Unlike existing 3D Large Multimodal Models that operate in offline settings and require complete scene observations or predefined video clips, Stream3D-VLM enables efficient and continuous 3D scene comprehension without offline processing.

To address the scarcity of streaming 3D–language data, we develop a scalable data generation pipeline that curates over 1M online spatio-temporal 3D QA pairs (Stream3D-1M) and establish a comprehensive benchmark with 10,000 QA samples, spanning 29 subtasks across 5 cognitive competencies and 3 temporal interaction modes (Stream3D-Bench).


🧠 Key Characteristics

  • Online 3D Spatial Understanding: Real-time spatial reasoning from streaming video without requiring full scene reconstruction upfront.

  • Incremental Geometry Priors: The VSFI module injects temporally aligned geometric features from a 3D reconstruction model into the visual stream as video unfolds.

  • Streaming Control Modeling: Learns when to respond or remain silent via joint optimization of streaming control loss and standard language modeling loss.

  • Efficient Long-Context Inference: The plug-and-play GAVC module dynamically compresses visual tokens guided by 3D structure, reducing decoding overhead for real-time deployment.

  • Comprehensive Benchmark: Stream3D-Bench covers Forward Response (monitoring), Realtime Perception (observation), and Backward Tracing (memory) across diverse spatio-temporal 3D tasks.


🚀 Main Results

Stream3D-Bench (Online Evaluation)

Stream3D-VLM consistently outperforms competing proprietary and open-source models on Stream3D-Bench, delivering the most accurate response timing and the lowest inference latency. Results are reported under a 1 fps streaming video setting. NA / MCA / OEA denote numerical, multiple-choice, and open-ended answers, respectively.

Bold and underlined values indicate the best and second-best results, respectively. More details can be found on our paper.

VSI-Bench (Offline Evaluation)

Despite being designed for streaming scenarios, Stream3D-VLM also performs well across all subtasks of the offline spatial perception and reasoning benchmark, significantly surpassing both commercial and open-source models.


📦 Related Resources

ResourceLink
Training DatasetJonnyYu828/Stream3D-1M-Dataset
BenchmarkJonnyYu828/Stream3D-Bench
Codehanxunyu/Stream3D-VLM
Project Pagestream3d-vlm.github.io

Citation

If you find Stream3D-VLM useful for your research or applications, please consider citing our work using the following BibTeX:

@article{yu2026stream3d,
    title={Stream3D-VLM: Online 3D Spatial Understanding with Incremental Geometry Priors},
    author={Hanxun Yu and Xuan Qu and Lei Ke and Boqiang Zhang and Yuxin Wang and Jianke Zhu and Dong Yu},
    journal={arXiv preprint arXiv:2606.06891},
    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
Qwen2_5_VLForConditionalGenerationWithVGGT
Ревизия весов
28a5245

0 моделей