/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
10,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
17 июл 2026

CamDistill-4B

Компьютерное зрениеВидео, текст → текст3 профессии

Мультимодальная модель на базе Qwen3-VL, которая распознаёт и сегментирует движения камеры в видео, выдавая описание в JSON.

42скачиваний за 30 дней0лайковвеса обновлены14 авг 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

CamDistill-4B — мультимодальная модель для понимания движения камеры в видео, созданная на основе Qwen/Qwen3-VL-4B-Instruct. Она использует обучаемый модуль Camera Token Module, который формирует геометрически информативные токены камеры, дистиллированные из VGGT, и передаёт их языковой модели. По видео модель выдаёт структурированный JSON с временными сегментами движения камеры.

Модель предназначена для анализа и разметки движений камеры по сегментам видео. Она дообучена методом Camera Token Distillation и сохраняется в формате safetensors. Для корректного запуска требуется репозиторий CamDistill с пользовательским типом модели и изменённым прямым проходом; загрузка как обычной Qwen3VLForConditionalGeneration не обработает дополнительные веса модуля. Лицензия — Apache-2.0.

Сценарии применения

  • Сегментация видео на участки с разными движениями камеры
  • Определение панорамирования, наклона и других движений камеры в ролике
  • Создание JSON-разметки движения камеры для видеоклипов
  • Анализ временной структуры движения камеры в видео

Ограничения

Для корректной работы необходимы пользовательский тип модели и изменённый forward pass из репозитория CamDistill; стандартная загрузка через Transformers игнорирует веса Camera Token Module. Модель специализируется на движении камеры и выдаёт структурированный JSON.

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

CamDistill-4B

Camera-movement understanding model trained with Camera Token Distillation on top of Qwen/Qwen3-VL-4B-Instruct. A lightweight Camera Token Module learns geometry-aware camera tokens (distilled from VGGT) and injects them into the language model. Given a video, it outputs structured JSON describing every camera-movement segment.

⚠️ This model cannot be loaded with plain 🤗 Transformers. It contains an extra Camera Token Module and a patched forward pass. Loading it as a standard Qwen3VLForConditionalGeneration would silently drop those weights and produce incorrect results. Use the CamDistill repo, which registers the required custom model type through a plugin.

Usage

Clone the CamDistill repo, then run (camera tokens are generated internally — no online VGGT required):

python camera_movement_sft/infer_single.py \
    --model ddz16/CamDistill-4B \
    --video /path/to/video.mp4 \
    --variant camdistill

See the repo's README for environment setup and batch evaluation.

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
b82cf78

0 моделей