/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
CC BY-NC 4.0
Архитектура
spatiallm_qwen · dense
Базовая модель
Qwen2.5-0.5B-Instruct
Библиотека
transformers
Опубликована
16 мар 2025

SpatialLM-Qwen-0.5B

Генерация текстаТекст → текст3 профессии

Модель SpatialLM на базе Qwen анализирует 3D-облака точек и генерирует структурированные описания планировки и объектов сцены.

152скачиваний за 30 дней94лайкавеса обновлены21 мар 2025

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

SpatialLM-Qwen-0.5B — компактная модель пространственного понимания команды SpatialLM, представленная в репозитории manycore-research. Она дообучена на Qwen/Qwen2.5-0.5B-Instruct и предназначена для анализа 3D-облаков точек и генерации структурированного описания сцены: элементов планировки, таких как стены, двери и окна, а также ориентированных ограничивающих рамок объектов с семантическими категориями. Облака точек могут происходить из разных источников, включая монокулярное видео, RGB-D-изображения и LiDAR; README описывает восстановление планировки по точкам, реконструированным из RGB-видео.

Модель имеет плотную авторегрессионную архитектуру SpatialLMQwenForCausalLM, около 494 млн параметров и контекст до 32 768 токенов. Веса распространяются в формате safetensors. Для согласованной интерпретации входные облака точек должны быть выровнены по осям, причём ось z должна указывать вверх. В README приведён результат для определения стен на тестовом наборе SpatialLM-Testset: mean IoU 74,81 для версии 0.5B; набор содержит шумные и частично закрытые облака точек, полученные из монокулярного видео.

Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение. Модель ориентирована на структурное понимание 3D-сцен для робототехники, автономной навигации и анализа помещений; она выдаёт текстовое структурированное представление, а не готовую 3D-визуализацию.

Сценарии применения

  • определение стен, дверей и окон в облаке точек
  • генерация структурированной планировки помещения
  • распознавание семантических категорий 3D-объектов
  • предсказание ориентированных ограничивающих рамок объектов
  • анализ сцен для робототехники и автономной навигации

Ограничения

Входные облака точек должны быть выровнены по осям с осью z, направленной вверх; тестовый набор содержит шум и окклюзии. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

SpatialLM-Qwen-0.5B

Introduction

SpatialLM is a 3D large language model designed to process 3D point cloud data and generate structured 3D scene understanding outputs. These outputs include architectural elements like walls, doors, windows, and oriented object bounding boxes with their semantic categories. Unlike previous methods that require specialized equipment for data collection, SpatialLM can handle point clouds from diverse sources such as monocular video sequences, RGBD images, and LiDAR sensors. This multimodal architecture effectively bridges the gap between unstructured 3D geometric data and structured 3D representations, offering high-level semantic understanding. It enhances spatial reasoning capabilities for applications in embodied robotics, autonomous navigation, and other complex 3D scene analysis tasks.

SpatialLM Models

ModelDownload
SpatialLM-Llama-1B🤗 HuggingFace
SpatialLM-Qwen-0.5B🤗 HuggingFace

Usage

Installation

Tested with the following environment:

  • Python 3.11
  • Pytorch 2.4.1
  • CUDA Version 12.4
# clone the repository
git clone https://github.com/manycore-research/SpatialLM.git
cd SpatialLM

# create a conda environment with cuda 12.4
conda create -n spatiallm python=3.11
conda activate spatiallm
conda install -y nvidia/label/cuda-12.4.0::cuda-toolkit conda-forge::sparsehash

# Install dependencies with poetry
pip install poetry && poetry config virtualenvs.create false --local
poetry install
poe install-torchsparse # Building wheel for torchsparse will take a while

Inference

In the current version of SpatialLM, input point clouds are considered axis-aligned where the z-axis is the up axis. This orientation is crucial for maintaining consistency in spatial understanding and scene interpretation across different datasets and applications. Example preprocessed point clouds, reconstructed from RGB videos using MASt3R-SLAM, are available in SpatialLM-Testset.

Download an example point cloud:

huggingface-cli download manycore-research/SpatialLM-Testset pcd/scene0000_00.ply --repo-type dataset --local-dir .

Run inference:

python inference.py --point_cloud pcd/scene0000_00.ply --output scene0000_00.txt --model_path manycore-research/SpatialLM-Qwen-0.5B

Visualization

Use rerun to visualize the point cloud and the predicted structured 3D layout output:

# Convert the predicted layout to Rerun format
python visualize.py --point_cloud pcd/scene0000_00.ply --layout scene0000_00.txt --save scene0000_00.rrd

# Visualize the point cloud and the predicted layout
rerun scene0000_00.rrd

Evaluation

To evaluate the performance of SpatialLM, we provide eval.py script that reports the benchmark results on the SpatialLM-Testset in the table below in section Benchmark Results.

Download the testset:

huggingface-cli download manycore-research/SpatialLM-Testset --repo-type dataset --local-dir SpatialLM-Testset

Run evaluation:

# Run inference on the PLY point clouds in folder SpatialLM-Testset/pcd with SpatialLM-Qwen-0.5B model
python inference.py --point_cloud SpatialLM-Testset/pcd --output SpatialLM-Testset/pred --model_path manycore-research/SpatialLM-Qwen-0.5B

# Evaluate the predicted layouts
python eval.py --metadata SpatialLM-Testset/test.csv --gt_dir SpatialLM-Testset/layout --pred_dir SpatialLM-Testset/pred --label_mapping SpatialLM-Testset/benchmark_categories.tsv

SpatialLM Testset

We provide a test set of 107 preprocessed point clouds, reconstructed from RGB videos using MASt3R-SLAM. SpatialLM-Testset is quite challenging compared to prior clean RGBD scans datasets due to the noises and occlusions in the point clouds reconstructed from monocular RGB videos.

DatasetDownload
SpatialLM-Testset🤗 Datasets

Benchmark Results

Benchmark results on the challenging SpatialLM-Testset are reported in the following table:

MethodSpatialLM-Llama-1BSpatialLM-Qwen-0.5B
Floorplanmean IoU
wall78.6274.81
ObjectsF1 @.25 IoU (3D)
curtain27.3528.59
nightstand57.4754.39
chandelier38.9240.12
wardrobe23.3330.60
bed95.2493.75
sofa65.5066.15
chair21.2614.94
cabinet8.478.44
dining table54.2656.10
plants20.6826.46
tv cabinet33.3310.26
coffee table50.0055.56
side table7.602.17
air conditioner20.0013.04
dresser46.6723.53
Thin ObjectsF1 @.25 IoU (2D)
painting50.0453.81
carpet31.7645.31
tv67.3152.29
door50.3542.15
window45.445.9

License

SpatialLM-Llama-1B is derived from Llama3.2-1B-Instruct, which is licensed under the Llama3.2 license. SpatialLM-Qwen-0.5B is derived from the Qwen-2.5 series, originally licensed under the Apache 2.0 License.

All models are built upon the SceneScript point cloud encoder, licensed under the CC-BY-NC-4.0 License. TorchSparse, utilized in this project, is licensed under the MIT License.

Citation

If you find this work useful, please consider citing:

@misc{spatiallm,
  title        = {SpatialLM: Large Language Model for Spatial Understanding},
  author       = {ManyCore Research Team},
  howpublished = {\url{https://github.com/manycore-research/SpatialLM}},
  year         = {2025}
}

Acknowledgements

We would like to thank the following projects that made this work possible:

Llama3.2 | Qwen2.5 | Transformers | SceneScript | TorchSparse

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура spatiallm_qwen неизвестна transformers в образе рантайма.

Класс архитектуры
SpatialLMQwenForCausalLM
Ревизия весов
71278d3

0 моделей