/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llava_qwen · dense
Опубликована
11 авг 2026

loc3r-vlm-llava

Генерация текстаТекст → текст3 профессии

Loc3R-VLM — видеоязыковая модель для поиска объектов и мест по текстовому описанию и пространственных рассуждений о 3D-сценах.

47скачиваний за 30 дней0лайковвеса обновлены26 сен 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

Loc3R-VLM — видеоязыковая модель для локализации по текстовому описанию и пространственных рассуждений о 3D-сценах в видео. Модель разработана Кевином Ку и соавторами из Microsoft Spatial AI Lab, ETH Zurich и EPFL; опубликованный чекпойнт основан на LLaVA-Video-7B-Qwen2 и содержит 7,1 млрд параметров. Архитектура — плотная LlavaQwenForCausalLM, контекст — до 32 768 токенов.

Модель строит внутреннюю карту окружения и учитывает положение и ориентацию наблюдателя. Она предназначена для поиска описанных на естественном языке объектов или мест в видео и для ответов на вопросы о пространственных отношениях с учётом точки обзора. Метаданные указывают задачи video-text-to-text и text-generation; модель поддерживает чат.

Модель принимает видео и текстовые запросы и выдаёт текст. Карточка не описывает поддерживаемые языки, поэтому языковая поддержка не уточняется. Модель распространяется по лицензии Apache-2.0. Численные оценки качества и подробные сведения об ограничениях в предоставленной карточке отсутствуют.

Сценарии применения

  • поиск места или объекта в видео по текстовому описанию
  • ответы на вопросы о расположении объектов в видеосцене
  • пространственные рассуждения с учётом точки обзора наблюдателя

Ограничения

В предоставленной карточке нет количественных оценок качества и подробного описания ограничений. Поддерживаемые языки не указаны.

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

Loc3R-VLM: Language-based Localization and 3D Reasoning with Vision-Language Models

We introduce Loc3R-VLM, a novel framework that equips 2D VLMs with advanced 3D spatial understanding capabilities from video. Inspired by human cognition, it builds an internal cognitive map of the global environment while explicitly modeling an agent's position and orientation. By jointly capturing global layout and egocentric state, the model excels at two core tasks: language-driven localization and viewpoint-aware 3D reasoning.

This repository hosts the released model checkpoint, which uses LLaVA-Video-7B-Qwen2 as the base model.

More details can be found in our GitHub repository.

Citation

@article{qu2026loc3rvlm, 
    title={Loc3R-VLM: Language-based Localization and 3D Reasoning with Vision-Language Models},
    author={Kevin Qu and Haozhe Qi and Mihai Dusmanu and Mahdi Rad and Rui Wang and Marc Pollefeys}, 
    journal={arXiv preprint arXiv:2603.18002}, 
    year={2026} 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llava_qwen неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaQwenForCausalLM
Ревизия весов
a0e0930

0 моделей