/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
17 июл 2026

CamInject-8B

Компьютерное зрениеВидео, текст → текст3 профессии

CamInject-8B анализирует видео и выдаёт структурированное описание сегментов движения камеры с временной привязкой.

28скачиваний 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-8B — модель для понимания движений камеры в видео, созданная на основе Qwen/Qwen3-VL-8B-Instruct. Она использует замороженные токены камеры VGGT, которые формируются VGGT во время инференса, и выдаёт структурированный JSON с описанием сегментов движения камеры во времени. Модель предназначена для анализа видеозаписей и временной локализации смены движений камеры.

Модель дообучена на мультимодальной архитектуре Qwen3-VL с 8 млрд параметров. Для работы требуется специальный тип модели, подключаемый через плагин, и репозиторий CamDistill вместе с VGGT-Omega; загрузка как обычной модели Transformers не обеспечивает корректную работу. Лицензия — Apache-2.0.

Сценарии применения

  • сегментация видео по участкам движения камеры
  • определение панорамирования, наклона и других движений камеры
  • анализ смены движения камеры во времени
  • получение JSON-разметки движений камеры в видеозаписи

Ограничения

Для инференса требуются специальный тип модели, репозиторий CamDistill и запуск VGGT-Omega; обычная загрузка через Transformers работает некорректно.

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-8B

Camera-movement understanding model that injects frozen VGGT camera tokens into Qwen/Qwen3-VL-8B-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-8B \
    --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
53b181e

0 моделей