/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
nv-medtech
Опубликована
22 июн 2026

Cosmos-Tokenizer-Surg

Преобразование изображенийИзображение, текст → изображение

Производная модели nvidia/Cosmos-Tokenizer-Surg. Токенизатор NVIDIA для кодирования и восстановления кадров лапароскопического видео при низколатентной передаче в сценариях телехирургии.

9скачиваний за 30 дней0лайковвеса обновлены22 июн 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

Карточка модели introvoyz041/Cosmos-Tokenizer-Surg на Hugging Face совпадает с карточкой nvidia/Cosmos-Tokenizer-Surg, поэтому описание составлено по ней.

NVIDIA Cosmos-Tokenizer-Surg — нейронный токенизатор кадров для низколатентной передачи видео в сценариях телехирургии. Это свёрточная автоэнкодерная модель с остаточными и attention-блоками на основе Wan2.1; модель дистиллирована из Wan2.1 и содержит 12,6 млн параметров.

Модель принимает RGB-изображения размером 536×960, 720×1280 или 1080×1920 со значениями пикселей в диапазоне [-1, 1]. Она кодирует кадр в тензор эмбеддингов размером 2×(H/8)×(W/8) и может восстановить RGB-изображение. Предназначена для сжатия и токенизации кадров лапароскопических операций в системах телехирургии и медицинской робототехники. Для запуска предусмотрены ONNX и TensorRT; README указывает оптимизацию для NVIDIA GPU и совместимость с Ampere, Blackwell и Hopper под Linux.

Модель обучалась на внутренних данных лапароскопических операций. Это специализированный компонент обработки кадров, а не система для диагностики или принятия клинических решений. README заявляет возможность коммерческого использования; метаданные указывают лицензию other, поэтому условия следует сверять с лицензией и условиями NVIDIA для репозитория.

Сценарии применения

  • сжатие кадров лапароскопического видео для телехирургии
  • кодирование хирургических RGB-кадров в эмбеддинги
  • низколатентная передача видео для роботизированных операций

Ограничения

Модель рассчитана на специализированные RGB-кадры заданных разрешений и оптимизирована для NVIDIA GPU; её пригодность и безопасность требуют проверки на данных и в системе конкретного применения. Она не предназначена для самостоятельной диагностики или клинических решений.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Telesurgery Neural Tokenizer v1.0 Overview

Description:

Telesurgery Neural Tokenizer processes surgical scenario inputs by tokenizing frames using a distilled frame autoencoder, optimized for low-latency applications like telesurgery video streaming.

This model is available for commercial use.

License/Terms of Use:

Governing Terms: Use of this model system is governed by the NVIDIA Open Model License.

Deployment Geography:

Global

Use Case:

Primarily intended for surgical robotics researchers, healthcare AI developers, academic institutions, or companies exploring neural codecs for telesurgery applications, particularly where low latency video streaming is critical.

Model Architecture:

Architecture Type: Convolutional Neural Network with Residual and Attention Blocks (based on Wan2.1 with 2D Convolutions)
Network Architecture: Telesurgery Neural Tokenizer (Custom Architecture, 1GB VRAM Requirement, Optimized for NVIDIA GPUs)

This model was distilled from Wan2.1. Number of model parameters: 12.6M

Input:

Input Type(s): Image
Input Format(s): Red, Green, Blue (RGB)
Input Parameters: Two-Dimensional (2D)
Other Properties Related to Input: Image Resolution: 536x960, 720x1280 or 1080x1920; Image Range: [-1, 1]

Output:

Output Type(s): Embeddings
Output Format: Pytorch Tensor
Output Parameters: Three-Dimensional (3D)
Other Properties Related to Output: Embeddings format: 2x(H/8)x(W/8) (With H and W being Height and Width of the original image).

Output Type(s): Image
Output Format: Red, Green, Blue (RGB)
Output Parameters: Two-Dimensional (2D)
Other Properties Related to Output: Minimum Resolution: 480x848, Maximum Resolution: 1080x1920, Image Range: [-1, 1]

Our AI models are designed and/or optimized to run on NVIDIA GPU-accelerated systems NVIDIA GPUs or equivalent GPU-accelerated hardware. By leveraging NVIDIA's hardware (e.g. GPU cores) and software frameworks (e.g., CUDA libraries), the model achieves faster training and inference times compared to CPU-only solutions.

Software Integration:

Runtime Engine(s):

  • TensorRT

Supported Hardware Microarchitecture Compatibility:

  • NVIDIA Ampere
  • NVIDIA Blackwell
  • NVIDIA Hopper

[Preferred/Supported] Operating System(s):

  • Linux

The integration of foundation and fine-tuned models into AI systems requires additional testing using use-case-specific data to ensure safe and effective deployment. Following the V-model methodology, iterative testing and validation at both unit and system levels are essential to mitigate risks, meet technical and functional requirements, and ensure compliance with safety and ethical standards before deployment.

Model Version(s):

v0.1

The Telesurgery Neural Tokenizer can be integrated into an AI system via ONNX or TensorRT runtime engines, supporting NVIDIA Ampere, Blackwell, and Hopper microarchitectures, and Linux-based operating systems. It accepts 2D RGB image frames (numeric vectors) at specific resolutions (536x960, 720x1280 or 1080x1920) for low-latency video streaming in telesurgery scenarios.

Training, Testing, and Evaluation Datasets:

Training Dataset:

Link: In-house surgical data (laparoscopic surgeries)

Data Modality:

  • Image

Image Training Data Size:

  • Less than a Million Images

Text Training Data Size:

  • Less than a Billion Tokens

Video Training Data Size:

  • 10,000 to 1 Million Hours

Non-Audio, Image, Text Training Data Size:

  • Approximately 536x960 to 1080x1920 pixels (RGB images)

Data Collection Method by dataset:

  • Human

Labeling Method by dataset:

  • Human

Properties (Quantity, Dataset Descriptions, Sensor(s)): Training set consists of 5765 (5-minute) video items for laparoscopic surgeries. Modality: Video (Image sequences). Content Nature: In-house surgical data.

Testing Dataset:

Link: In-house surgical data (laparoscopic surgeries)

Data Collection Method by dataset:

  • Human

Labeling Method by dataset:

  • Human

Properties (Quantity, Dataset Descriptions, Sensor(s)): Testing set consists of 1224 (5-minute) video items for laparoscopic surgeries. Modality: Video (Image sequences). Content Nature: In-house surgical data.

Evaluation Dataset:

Link: In-house surgical dataset (laparoscopic surgeries)

Data Collection Method by dataset:

  • Human

Labeling Method by dataset:

  • Human

Properties (Quantity, Dataset Descriptions, Sensor(s)): Evaluation set consists of 1220 (5-minute) video items for laparoscopic surgeries. Modality: Video (Image sequences). Content Nature: In-house surgical data.

Inference:

Acceleration Engine: TensorRT

Test Hardware:

  • A100
  • A6000
  • RTX 6000 ADA
  • RTX 6000 Pro Blackwell

Ethical Considerations:

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse.

Please make sure you have proper rights and permissions for all input image and video content; if image or video includes people, personal health information, or intellectual property, the image or video generated will not blur or maintain proportions of image subjects included.

For more detailed information on ethical considerations for this model, please see the Bias, Explainability, Safety & Security, and Privacy Subcards.

Users are responsible for model inputs and outputs. Users are responsible for ensuring safe integration of this model, including implementing guardrails as well as other safety mechanisms, prior to deployment.

Please report model quality, risk, security vulnerabilities or NVIDIA AI Concerns here.

Как запустить

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

GPU в ailist

Универсальный рантайм · nv-medtech

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Ревизия весов
4987ab7

0 моделей