/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
depthworld · dense
Базовая модель
stable-video-diffusion-img2vid
Опубликована
16 июл 2026

depthworld

Языковая модельИзображение, текст → action

DepthWorld предсказывает многовидовое видео RGB, метрическую глубину и, в дополнительном варианте, карты точек для моделирования роботизированных манипуляций.

19скачиваний за 30 дней1лайквеса обновлены7 окт 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

DepthWorld — модель мира для манипуляций роботами, разработанная Джаем Бардханом, Йозефом Шивицем и Владимиром Петржиком из Чешского института информатики, робототехники и кибернетики Чешского технического университета в Праге. Она предназначена для предсказания развития сцены при заданных действиях робота в сценариях манипуляции, подобных DROID.

Модель дообучена на Stable Video Diffusion img2vid и использует один UNet для совместного предсказания многовидовых RGB-кадров и метрической глубины. RGB и глубина кодируются рядом по ширине для каждого ракурса; полученные последовательности должны образовывать геометрически согласованный трёхмерный мир. В дополнительном чекпойнте есть голова DPT, инициализированная из facebook/VGGT-1B, для предсказания карт точек в мировых координатах XYZ и уверенности. Весовые файлы представлены в формате PyTorch.

DepthWorld подходит для генерации прогнозных визуальных развёрток сцены и геометрических оценок, полезных при изучении и планировании роботизированных манипуляций. В README указано обучение на исходном наборе DROID; модель ориентирована на DROID-подобные задачи. Лицензия базового чекпойнта — Stability AI Community, а вариант с головой DPT также ограничен условиями CC-BY-NC 4.0, запрещающими коммерческое использование. README отсылает за инструкциями по настройке и оценке к официальному репозиторию GitHub.

Сценарии применения

  • предсказание визуальных последствий действий робота-манипулятора
  • генерация многовидовых развёрток роботизированной сцены
  • предсказание метрической глубины в сценариях манипуляции
  • получение карт точек в мировых координатах для робототехнических экспериментов

Ограничения

Модель описана для DROID-подобных задач манипуляции, поэтому её применимость к другим роботам и условиям из README не следует. Чекпойнт с головой DPT подпадает под CC-BY-NC 4.0 и не предназначен для коммерческого использования; для остальных весов указана лицензия Stability AI Community.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TL;DR

DepthWorld is an action-conditioned world model for DROID-style robot manipulation that jointly predicts multi-view RGB and metric depth, producing rollouts that compose into a single, geometrically consistent 3D world. RGB and depth are packed side-by-side along width per view and modeled by a single Stable Video Diffusion UNet; an optional DPT head additionally regresses per-pixel world-frame point maps.

DepthWorld architecture

Checkpoints

Both are consolidated 90k-step EMA weights (fp32 .pt state dicts), trained on the raw DROID dataset:

filecontentsdescriptionlicense
horiz_90k_ema.ptUNet + action encoderRGB+depth horiz world modelStability AI Community
horiz_dpt_vggt_90k_ema.pt+ DPT pointmap headsame, plus a DPT head initialized from facebook/VGGT-1B predicting world-frame XYZ + confidence, trained with a MapAnything-style robust lossStability AI Community + CC-BY-NC 4.0 (non-commercial)

See License for details.

Usage

hf download jaibrdhn/depthworld horiz_90k_ema.pt config.json --local-dir checkpoints
hf download jaibrdhn/depthworld horiz_dpt_vggt_90k_ema.pt config.json --local-dir checkpoints

Refer to the official GitHub repository for setup, data preparation, training, and evaluation instructions. The eval scripts consume these files directly, e.g.:

python scripts/eval_horiz_chunk.py \
    --ckpt_path checkpoints/horiz_dpt_vggt_90k_ema.pt --width 640 ...

Acknowledgements

Built upon Ctrl-World and Stable Video Diffusion. The pointmap head is warm-started from VGGT and trained with a loss following MapAnything. Trained on the DROID dataset.

This work was supported by the European Union's Horizon Europe projects AGIMUS (No. 101070165), euROBIN (No. 101070596), ERC FRONTIER (No. 101097822), ELIAS (No. 101120237), ELLIOT (No. 101214398), ČVUT Starting grant "DREAM-ACT" (Project ID CVUT-StG-26-089), and CTU Future Fund (Project ID: CVUT-BrF-26-22825M). This work was also supported by the EU’s Horizon Europe Programme under the Grant agreement No. 101136607 (CLARA Project), and was co-funded by the EU from the Operational Programme Jan Amos Komenský (OP JAK) (project "Center for Artificial Intelligence and Quantum Computing in System Brain Research", reg. no. CZ.02.01.01/00/23_029/0008437). Compute resources and infrastructure were supported by the Ministry of Education, Youth and Sports of the Czech Republic through the e-INFRA CZ (ID:90254).

Citation

@inproceedings{bardhan2026depthworld,
  title     = {DepthWorld: 3D World Model for Robot Manipulation},
  author    = {Bardhan, Jai and \v{S}ivic, Josef and Petr\'{i}k, Vladim\'{i}r},
  booktitle = {Conference on Robot Learning (CoRL)},
  year      = {2026}
}

License

Original code and contributions are released under the MIT license (see the GitHub repository). The checkpoints themselves are derivative works of upstream models and remain subject to their terms:

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
47debc3

0 моделей