/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
21 сен 2025

DepthLM

Изображение и текст → текст3 профессии

DepthLM — визуально-языковая модель на 12 млрд параметров для оценки метрической глубины изображений.

212скачиваний за 30 дней42лайкавеса обновлены7 фев 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

DepthLM — мультимодальная модель Meta, представленная в статье авторов «DepthLM: Metric Depth from Vision Language Models». Это версия на 12 млрд параметров, дообученная на Pixtral с помощью текстового supervised fine-tuning без изменения архитектуры и без специальной головы для плотного предсказания.

Модель предназначена для оценки метрической глубины по изображениям в формате взаимодействия с визуально-языковой моделью. Авторы сообщают о точности, сопоставимой с моделями компьютерного зрения на нескольких наборах данных, и рассматривают DepthLM как основу для единой модели, способной решать и другие задачи 3D-понимания. Репозиторий использует Transformers и формат safetensors; карточка указывает английский язык. Лицензия обозначена как other, поэтому условия использования следует сверить с файлами репозитория.

Сценарии применения

  • оценка метрической глубины по изображению
  • восстановление расстояний до объектов в сцене
  • оценка глубины в дорожных сценах
  • оценка глубины в помещениях и сканах сцен

Ограничения

В README приведены результаты на ограниченном наборе тестовых датасетов; они не гарантируют точность для любых сцен и условий съёмки. Условия лицензии с пометкой other следует проверить в репозитории перед использованием.

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

Model Details

Official model card of the ICLR2026 oral paper "DepthLM: Metric Depth from Vision Language Models". See our github for the eval and training code.

image/jpeg

image/jpeg

This model card includes the 12b model of DepthLM finetuned from Pixtral.

We show for the first time that VLMs can achieve comparable accuracy with pure vision models on metric depth estimation, with standard text-based SFT and no architecture chagne, i.e., no dense prediction head or regression/regularization loss is needed. Due to the simplicity, we can use DepthLM to train a unified VLM to handle various complex 3D understanding tasks such as speed or time estimation, and metric scale camera pose estimation, which require different architecture or hand-crafted pipelines in pure vision models.

Citation

If you find our code useful for your research, please consider citing:

  @article{cai2025depthlm,
      title={DepthLM: Metric Depth from Vision Language Models},
      author={Cai, Zhipeng and Yeh, Ching-Feng and Hu, Xu and Liu, Zhuang and Meyer, Gregory and Lei, Xinjie and Zhao, Changsheng and Li, Shang-Wen and Chandra, Vikas and Shi, Yangyang},
      journal={arXiv preprint arXiv:2509.25413},
      year={2025},
  }

Contact

Zhipeng Cai, Meta Inc, homepage: https://zhipengcai.github.io/, email: czptc2h at gmail dot com.

Results

Comparison with VLMs

Accuracy ($\delta_1$)Argoverse2DDADNuScenesETH3DScanNet++sunRGBDiBims1NYUv2avg.
Qwen2.5-VL (3B)0.1330.0830.0900.0870.1200.1340.0800.1280.106
Qwen2.5-VL (7B)0.0770.1200.0700.1260.1350.0890.1600.1680.118
Qwen2.5-VL (72B)0.1190.1400.1860.2200.2720.2760.2120.3240.219
Seed1.5-VL0.0090.0120.0130.2190.4950.3210.4590.4120.243
Gemini-2.5-PRO0.2800.2520.3650.3280.3800.2700.4660.3940.342
GPT-50.2180.3020.3820.3130.4280.4710.3070.5400.370
Ours (3B)0.8080.7240.8700.7450.8380.8500.8900.8680.824
Ours (7B)0.8330.7470.8650.7180.8500.8590.9200.9150.838
Ours - Pixtral (12B)0.7340.6700.8190.6530.8340.7860.8700.7990.771

Comparison with pure vision models

Accuracy ($\delta_1$)DDADNuScenesETH3DsunRGBDiBims1vs Ours
ZoeDepth0.2720.2830.3500.8670.580-42.8%
DepthAnything-0.3540.0930.8500.714-40.3%
DepthAnythingV2-0.1710.3630.724--48.5%
Metric3D-0.7230.4560.1540.797-36.6%
Unidepth0.8580.8460.1850.9430.157-27.3%
Depth Pro0.2990.5660.3970.8310.823-29.1%
Metric3Dv2-0.8410.9000.8120.684-3.8%
UnidepthV20.8820.8700.8520.9640.945+9.2%
Ours (7B)0.7470.8650.7180.8590.920-

License

DepthLM is FAIR NC licensed as of now

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Ревизия весов
fbf3b97

0 моделей