/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Cosmos-Reason2-8B
Опубликована
13 мар 2026

Cosmos-Reason2-8B-W4A16-FlashHead

Изображение и текст → текст3 профессии

Квантизированная мультимодальная модель NVIDIA Cosmos-Reason2-8B с FlashHead для низколатентного анализа изображений и видео и генерации текстовых ответов.

13скачиваний за 30 дней1лайквеса обновлены12 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Cosmos-Reason2-8B-W4A16-FlashHead — оптимизированная Embedl версия мультимодальной модели NVIDIA Cosmos-Reason2-8B. Она предназначена для низколатентного инференса на GPU NVIDIA и принимает текст и изображения или видео, выдавая текст. Для ускорения применены квантизация W4A16 и FlashHead — эффективная замена языковой головы; для запуска требуется плагин flash-head для vLLM. Основа модели рассчитана на визуальное рассуждение, видеоаналитику и планирование действий в робототехнике и физическом ИИ.

В метаданных формат файлов обозначен как safetensors, а лицензия — other. README не приводит подробных результатов бенчмарков: они вынесены в отдельный репозиторий Edge-Inference-Benchmarks.

Сценарии применения

  • визуальные вопросы и ответы по изображениям
  • анализ видеосцен с текстовым объяснением
  • визуальное рассуждение для робототехники
  • низколатентный инференс VLM на GPU NVIDIA

Ограничения

Для запуска требуется плагин flash-head для vLLM и GPU NVIDIA. Подробные показатели точности и задержки приведены во внешнем репозитории бенчмарков, а не в карточке модели.

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

Cosmos-Reason2-8B-W4A16-FlashHead

GitHub

Optimized version of nvidia/Cosmos-Reason2-8B using quantization and FlashHead, Embedl's efficient replacement for the language model head.

Designed for low-latency inference on NVIDIA GPUs, leveraging:

  • FlashHead
  • Quantization (W4A16)
  • vLLM plugin via flash-head

Model Details

FieldValue
Base Modelnvidia/Cosmos-Reason2-8B
Input / OutputText + Image / Video -> Text
OptimizationsFlashHead LM Head + Quantization (W4A16)
DevelopersEmbedl
LicensesUpstream: NVIDIA Open Model License. Optimized components: Embedl Models Community Licence v1.0 (no redistribution)

Benchmarks

Accuracy and on-device latency benchmarks can be explored on embedl/Edge-Inference-Benchmarks.


Installation

pip install flash-head

The flash-head vLLM plugin is required. It activates automatically at startup.


Usage Examples

vLLM Serve

vllm serve embedl/Cosmos-Reason2-8B-W4A16-FlashHead \
    --max-model-len 8192 \
    --gpu-memory-utilization 0.75

vLLM Video Inference

from vllm import LLM, SamplingParams

if __name__ == "__main__":
    model = "embedl/Cosmos-Reason2-8B-W4A16-FlashHead"
    video_url = "https://nvidia-cosmos.github.io/cosmos-cookbook/gallery/vs_assets/clip_1_short.mp4"

    messages = [
        {
            "role": "system",
            "content": [{"type": "text", "text": "You are a helpful assistant."}],
        },
        {
            "role": "user",
            "content": [
                {"type": "video_url", "video_url": {"url": video_url, "fps": 4}},
                {"type": "text", "text": "Describe this video in detail."},
            ],
        },
    ]

    llm = LLM(
        model=model,
        limit_mm_per_prompt={
            "video": {"count": 1, "num_frames": 12, "width": 1280, "height": 720},
            "image": 0,
            "audio": 0,
        },
        media_io_kwargs={"video": {"num_frames": -1}},
        max_model_len=8192,
        mm_processor_kwargs={"truncation": False},
        gpu_memory_utilization=0.75,
        trust_remote_code=True,
    )

    output = llm.chat(messages, sampling_params=SamplingParams(temperature=0.0, max_tokens=256))
    print(output[0].outputs[0].text)

License


Contact

  • Enterprise and Commercial Inquiries: models@embedl.com
  • Technical Issues and Early Access: https://github.com/embedl/flash-head
  • More Information and Model Releases: https://embedl.com

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
e7889c8

0 моделей