/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
17 июл 2026

CamDistill-8B

Компьютерное зрениеВидео, текст → текст3 профессии

Модель на базе Qwen3-VL для определения и структурированного описания сегментов движения камеры в видео.

130скачиваний 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-8B — модель понимания движения камеры в видео, созданная на базе Qwen/Qwen3-VL-8B-Instruct с помощью дистилляции геометрических знаний VGGT. Дополнительный модуль Camera Token формирует геометрически информативные токены камеры и передаёт их языковой модели.

Модель принимает видео и выдаёт структурированный JSON с описанием каждого сегмента движения камеры. Она предназначена для анализа и временной разметки движений камеры; токены камеры генерируются внутри модели, поэтому для инференса не требуется подключение VGGT.

Веса опубликованы в формате safetensors по лицензии Apache-2.0. Для корректной работы нужны репозиторий CamDistill и его изменённый проход модели: загрузка через обычный класс Qwen3VLForConditionalGeneration пропускает дополнительные веса Camera Token Module и приводит к неправильным результатам.

Сценарии применения

  • Определение движений камеры в видеороликах
  • Разбиение видео на сегменты с разными движениями камеры
  • Формирование JSON-разметки движений камеры по видео

Ограничения

Для корректного инференса требуются репозиторий CamDistill и его патченный проход модели; стандартная загрузка через Transformers некорректно пропускает веса дополнительного модуля. README не сообщает о поддерживаемых естественных языках.

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-8B

Camera-movement understanding model trained with Camera Token Distillation on top of Qwen/Qwen3-VL-8B-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-8B \
    --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
1e61730

0 моделей