/ Модель

Характеристики

Архитектура
lewm-tworooms-cls-image-decoder · dense
Базовая модель
lewm-tworooms
Библиотека
pytorch
Опубликована
29 авг 2026

lewm-tworooms-image-decoder

Преобразование изображенийИзображение, текст → изображение3 профессии

Декодер восстанавливает RGB-наблюдения TwoRooms размером 224 × 224 из 192-мерных CLS-эмбеддингов энкодера LeWM.

13скачиваний за 30 дней0лайковвеса обновлены29 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

LeWM TwoRooms latent-to-image decoder — декодер на PyTorch, разработанный fracapuano для восстановления наблюдений TwoRooms по 192-мерному проецированному CLS-эмбеддингу замороженного энкодера quentinll/lewm-tworooms. Он преобразует векторное представление одного кадра в RGB-изображение размером 224 × 224 пикселя.

Модель предназначена для декодирования латентных представлений и визуализации наблюдений в экспериментах с TwoRooms и world modeling. Архитектура включает обучаемые patch-запросы и три блока повторного cross-attention, ширину 256 и восемь голов внимания; в чекпойнте 2 667 264 обучаемых параметра. Модель обучалась с бинарной кросс-энтропией по RGB-каналам на датасете fracapuano/lewm-tworooms. На отложенной тестовой выборке указаны MSE 0,00002485 и PSNR 46,05 дБ.

Для работы декодеру требуется совместимый эмбеддинг от исходного энкодера; это специализированный декодер TwoRooms, а не универсальная модель генерации изображений. README не сообщает лицензию репозитория, поэтому условия использования по имеющимся сведениям определить нельзя.

Сценарии применения

  • Восстановление кадров TwoRooms из CLS-эмбеддингов
  • Визуализация латентных представлений энкодера LeWM
  • Реконструкция тестовых наблюдений в экспериментах с world modeling

Ограничения

Принимает только совместимые 192-мерные CLS-эмбеддинги исходного энкодера и предназначен для наблюдений TwoRooms. Лицензия репозитория в предоставленных источниках не указана.

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

LeWM TwoRooms latent-to-image decoder

This repository contains a PyTorch decoder from the frozen 192-dimensional projected CLS embedding of quentinll/lewm-tworooms to a 224 x 224 RGB TwoRooms observation.

The decoder follows the learned patch-query and repeated cross-attention architecture in lucas-maes/57804ad5e347368e7a219719336c31de. It has 2,667,264 trainable parameters, 3 cross-attention blocks, model width 256, and 8 attention heads.

Important training detail

The final checkpoint was trained with uniform RGB binary cross-entropy only. It uses no position labels, agent mask, red-pixel weighting, position head, or environment-specific reconstruction term. The agent-centroid result below is a held-out diagnostic and was not used for optimization or checkpoint selection.

Evaluation

The source sample contains 8,192 observations with an episode-disjoint split:

  • train: 5,530 images / 3,766 episodes
  • validation: 614 images / 423 episodes
  • test: 2,048 images / 1,382 episodes

Final held-out test results:

MetricValue
RGB MSE0.00002485
RGB MAE0.00074265
PSNR46.05 dB
Agent-centroid RMSE0.407 px

The reconstruction_preview.png file shows fixed held-out target/decoded pairs.

Usage

import sys
from huggingface_hub import snapshot_download
import torch

decoder_dir = snapshot_download("fracapuano/lewm-tworooms-image-decoder")
sys.path.insert(0, decoder_dir)
from decoder import CLSDecoder

decoder = CLSDecoder.from_pretrained(decoder_dir, device="mps")

# raw_embedding is the unnormalized encoded["emb"][:, 0] output from LeWM,
# with shape (batch, 192). Input normalization is stored in the checkpoint.
raw_embedding = torch.randn(1, 192, device="mps")
rgb = decoder.decode(raw_embedding)  # (1, 3, 224, 224), values in [0, 1]

For an encoder batch containing a single frame:

with torch.inference_mode():
    encoded = lewm_model.encode({"pixels": normalized_pixels[:, None]})
    raw_embedding = encoded["emb"][:, 0]
    reconstructed_rgb = decoder.decode(raw_embedding)

The LeWM encoder expects the ImageNet-normalized, resized preprocessing used by stable_pretraining. The decoder output is ordinary unnormalized RGB in [0, 1].

Files

  • model.safetensors: decoder weights and stored latent normalization
  • config.json: architecture and input/output contract
  • decoder.py: standalone architecture and from_pretrained loader
  • training_metrics.json: complete epoch history, split sizes, metrics, and provenance
  • reconstruction_preview.png: target/decoded held-out examples

Provenance

  • Dataset revision: a6dc0810c55cffb74500906735fa6e9ac323810c
  • Encoder revision: 77adaae0bc31deab21c93740d1f8bb947cd0bdec
  • Embedding SHA-256: 81a2a71d0deed97a219f66f8ff237c712b957c51e7b6143f33468a754e49286d
  • Source-row SHA-256: a35811f60bf9d322b6afd623fab4e6280de0bb0676b1d777d7083cbf2bd97627
  • Training seed: 1729
  • Training hardware: Apple M1 Pro via PyTorch MPS

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Класс архитектуры
CLSDecoder
Ревизия весов
9b314d8

0 моделей