/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
3 окт 2026

CGMLLM-4B-i2o

Языковая модель

CG-MLLM 4B — дообученная мультимодальная модель, которая создаёт 3D-содержимое по изображению.

0скачиваний за 30 дней0лайковвеса 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 4B — мультимодальная модель для создания 3D-содержимого по изображению, представленная как исследовательская работа для ICML 2026. Это специализированный чекпойнт архитектуры CG-MLLM: он дообучен для задачи image-to-3D на HY3D-Bench и использует Qwen3-VL-4B-Instruct в качестве визуально-языковой основы и VAE Hunyuan3D-2.1 как 3D-латентный токенизатор.

Модель принимает изображение и генерирует 3D-представление. Карточка описывает вариант на 4 млрд параметров, однако явные характеристики качества и пределы поддерживаемых входных изображений не приведены. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • создание 3D-модели объекта по изображению
  • преобразование изображения товара в 3D-представление
  • генерация 3D-содержимого для сцен и прототипов

Ограничения

Чекпойнт специализирован на image-to-3D и не является многозадачной версией CG-MLLM. Карточка не сообщает количественные показатели качества или ограничения по типам входных изображений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CG-MLLM 4B image-to-3D

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.

This repository is the 4B image-to-3D checkpoint. It is a specialized training of that architecture for image-to-3D on HY3D-Bench, on Qwen3-VL-4B-Instruct. It is not the multi-task checkpoint.

The v0.1 multi-task checkpoint (Qwen3-VL-2B) is at JreamH/CGMLLM.

Links

Model Details

ItemValue
Version4B image-to-3D
Vision-language backboneQwen3-VL-4B-Instruct
3D latent tokenizerHunyuan3D-2.1 VAE
TrainingSpecialized image-to-3D training on HY3D-Bench
TasksImage-to-3D
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
490f49a

0 моделей