/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
17 июл 2026

CamInject-4B

Компьютерное зрениеВидео, текст → текст3 профессии

CamInject-4B анализирует движение камеры в видео и выдаёт структурированный JSON с временными сегментами движения.

25скачиваний 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

CamInject-4B — модель для анализа движения камеры в видео, созданная на основе Qwen/Qwen3-VL-4B-Instruct с внедрением замороженных токенов камеры VGGT. По видео она формирует структурированный JSON с описанием сегментов движения камеры, что подходит для временной разметки и анализа видеосцен. Модель использует архитектуру Qwen3-VL с 4 млрд параметров; во время инференса VGGT запускается отдельно и формирует токены камеры.

Для работы недостаточно стандартной загрузки через 🤗 Transformers: нужны специальный тип модели, зарегистрированный через плагин, и репозиторий CamDistill с VGGT-Omega. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • разметка сегментов движения камеры в видео
  • определение смен и типов движения камеры
  • анализ видеосцен с временной привязкой движений камеры

Ограничения

Требуются специальный тип модели, репозиторий CamDistill и запуск VGGT-Omega при инференсе; обычная загрузка через Transformers не обеспечивает корректную работу.

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

CamInject-4B

Camera-movement understanding model that injects frozen VGGT camera tokens into Qwen/Qwen3-VL-4B-Instruct. Given a video, it outputs structured JSON describing every camera-movement segment.

⚠️ This model cannot be loaded with plain 🤗 Transformers. It requires a custom model type (registered via a plugin) and runs VGGT online to produce camera tokens. Loading it as a standard Qwen3VLForConditionalGeneration would not work correctly. Use the CamDistill repo.

Usage

Clone the CamDistill repo and clone VGGT-Omega (set VGGT_OMEGA_REPO, see the repo's setup). CamInject runs VGGT online during inference:

VGGT_TEACHER_TYPE=vggt_omega \
python camera_movement_sft/infer_single.py \
    --model ddz16/CamInject-4B \
    --video /path/to/video.mp4 \
    --variant caminject

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
ec11adf

0 моделей