/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
7 сен 2026

CGMLLM

Языковая модель

CG-MLLM v0.1 — мультимодальная модель на базе Qwen3-VL-2B-Instruct для создания и понимания 3D-контента по изображениям и тексту.

0скачиваний за 30 дней3лайкавеса обновлены4 окт 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

CG-MLLM v0.1 — мультимодальная модель для работы с 3D-контентом, представленная авторами проекта CG-MLLM и описанная как работа для ICML 2026. Модель построена на языково-визуальной основе Qwen3-VL-2B-Instruct и использует VAE Hunyuan3D-2.1 для представления 3D-данных.

Модель предназначена для преобразования изображений в 3D, генерации 3D по текстовому описанию, понимания изображений и анализа 3D-контента. В этой версии объединены несколько задач; отдельная специализированная версия для image-to-3D указана в карточке как CGMLLM-4B-i2o. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • создание 3D-модели по изображению
  • генерация 3D-объекта по текстовому описанию
  • создание текстового описания 3D-объекта
  • ответы на вопросы об изображениях
  • анализ и понимание 3D-контента

Ограничения

Карточка не приводит подробностей о качестве, ограничениях или параметрах контекста. Версия v0.1 объединяет несколько задач, а отдельная версия 4B заявлена как специализированная для image-to-3D.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CG-MLLM (v0.1)

CG-MLLM: Captioning and Generating 3D Content via Multi-modal Large Language Models (ICML 2026)

CG-MLLM is a 3D multimodal large language model built on a Qwen3-VL backbone and a Hunyuan3D-2.1 VAE, for 3D captioning and 3D generation.

This repository is the v0.1 multi-task checkpoint, on Qwen3-VL-2B-Instruct. It covers image-to-3D, text-to-3D, image understanding, and 3D understanding.

The 4B image-to-3D checkpoint (Qwen3-VL-4B, specialized on HY3D-Bench) is at JreamH/CGMLLM-4B-i2o.

Links

Model Details

ItemValue
Versionv0.1, multi-task
Vision-language backboneQwen3-VL-2B-Instruct
3D latent tokenizerHunyuan3D-2.1 VAE
TasksImage-to-3D, text-to-3D, image understanding, 3D understanding
Checkpoint fileema.safetensors
VenueICML 2026
LicenseApache-2.0
AuthorsJunming Huang, Chi Wang, Letian Li, Guangkai Xu, Donglin Huang, Hao Chen, Qiang Dai, Weiwei Xu
AffiliationsZhejiang University; LIGHTSPEED

Usage is documented in the GitHub repository. This card does not duplicate the inference commands.

Citation

If you find this work useful, please cite:

@article{huang2026cg,
  title={CG-MLLM: Captioning and Generating 3D content via Multi-modal Large Language Models},
  author={Huang, Junming and Wang, Chi and Li, Letian and Xu, Guangkai and Huang, Donglin and Chen, Hao and Dai, Qiang and Xu, Weiwei},
  journal={arXiv preprint arXiv:2601.21798},
  year={2026}
}

Acknowledgments

This work builds on Qwen3-VL, BAGEL, and the Hunyuan3D-2.1 shape VAE. Please follow their licenses when using those components.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

3D-генерация пока не поддерживается.

Ревизия весов
ba45c47

0 моделей