/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
4 авг 2026

Qwen-3D

Изображение и текст → текст

Qwen-3D — мультимодальная модель на базе Qwen2.5-VL для пространственного понимания, сегментации объектов и ответов по изображениям и видео.

0скачиваний за 30 дней6лайковвеса обновлены6 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

Qwen-3D — мультимодальная модель для пространственного понимания, представленная в исследовательской работе Qwen-3D. Она построена на Qwen2.5-VL и добавляет токены координат мирового пространства, 3D Rotary positional encoding и декодер масок на основе запросов. В репозитории опубликованы чекпойнты размером 3B и 7B параметров в формате PyTorch.

Модель предназначена для привязки текстовых указаний к объектам, сегментации экземпляров и ответов на вопросы по изображениям и видео. Геометрические представления рассчитаны на задачи, где важно понимать расположение объектов и их отношения в пространстве. Для загрузки весов README отсылает к GitHub-репозиторию с кодом и инструкциями.

Модель разработана авторами Qwen-3D и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не приводит результаты оценки качества или подробные инструкции по применению.

Сценарии применения

  • привязка текстового описания к объекту на изображении
  • сегментация отдельных объектов на изображении
  • ответы на вопросы о содержимом изображения
  • ответы на вопросы о содержимом видео
  • понимание расположения объектов и пространственных отношений

Ограничения

Коммерческое использование ограничено лицензией CC BY-NC 4.0. README не приводит оценок качества и отсылает за кодом и инструкциями по запуску к внешнему GitHub-репозиторию.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen-3D: A Generalist 3D Vision-Language Model for Spatial Understanding

This repository contains the Qwen-3D model, as presented in Qwen-3D: A Generalist 3D Vision-Language Model for Spatial Understanding. Qwen-3D is a geometry-aware large multimodal model built on Qwen2.5-VL that introduces world-space tokens, 3D Rotary positional encoding, and a query-based mask decoder. It unifies referential grounding, instance segmentation, and visual question answering across images and videos.

Project page: https://qwen-3d.github.io/

Paper: https://arxiv.org/abs/2608.02980

Code: https://github.com/ll220/qwen3d

The checkpoint files for the 3B and 7B models qwen3d_3b.pth qwen3d_7b.pth are available in this repository. You can download it with huggingface-cli / hf, for example:

hf download katefgroup/Qwen-3D qwen3d_3b.pth
hf download katefgroup/Qwen-3D qwen3d_7b.pth

See the GitHub repository for code, loading instructions, and usage details.

Citation

@inproceedings{lin2026qwen3d,
  title     = {Qwen-3D: A Generalist 3D Vision-Language Model for Spatial Understanding},
  author    = {Lin, Lucy and Jain, Ayush and Liu, Yifan and Fragkiadaki, Katerina},
  booktitle = {European Conference on Computer Vision (ECCV)},
  year      = {2026}
}

License Note: This model is released under CC BY-NC 4.0. It may be used for non-commercial research purposes. Commercial use is not permitted under this license.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
ef8107c

0 моделей