/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
17 июл 2026

CamSFT-8B

Компьютерное зрениеВидео, текст → текст3 профессии

CamSFT-8B анализирует видео и размечает сегменты движения камеры в структурированном JSON.

29скачиваний 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

CamSFT-8B — мультимодальная модель для понимания движения камеры в видео, созданная дообучением Qwen/Qwen3-VL-8B-Instruct. На вход она принимает видео и выдаёт структурированный JSON с сегментами движения камеры: временными интервалами, типом, направлением и скоростью базового движения, а также специальными приёмами съёмки.

Модель предназначена для анализа видеоматериалов и временной разметки операторских движений. Для воспроизведения результатов статьи нужны рекомендованные в проекте CamDistill промпт и параметры обработки видео, включая частоту кадров, максимальное число кадров и разрешение. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • разметка движения камеры по временным сегментам видео
  • определение направления и скорости движения камеры
  • распознавание операторских приёмов в видеозаписях

Ограничения

Для воспроизведения результатов статьи требуется использовать рекомендованный промпт и точные настройки обработки видео; несоблюдение их может повлиять на результат.

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

CamSFT-8B

Camera-movement understanding model, supervised fine-tuned from Qwen/Qwen3-VL-8B-Instruct. Given a video, it outputs structured JSON describing every camera-movement segment — time span, basic-movement type / direction / speed, and special techniques.

Usage

Recommended — the CamDistill repo

The CamDistill repo provides a one-line entry point that applies the official prompt and the exact video settings used for training and evaluation:

python camera_movement_sft/infer_single.py \
    --model ddz16/CamSFT-8B \
    --video /path/to/video.mp4

With 🤗 Transformers

CamSFT is a standard Qwen3-VL model, so it can be loaded directly:

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "ddz16/CamSFT-8B", dtype="bfloat16", device_map="auto"
)
processor = AutoProcessor.from_pretrained("ddz16/CamSFT-8B")

The exact system/user prompt and the video preprocessing (fps, max frames, resolution) are provided in the CamDistill repo; using them is required to reproduce the paper's results.

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
d243c1f

0 моделей