/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
map-anything
Библиотека
mlx
Опубликована
29 сен 2026

map-anything-fp16

Языковая модель3 профессии

Конверсия MapAnything для MLX восстанавливает метрическую 3D-геометрию сцены, глубину и параметры камер по одному или нескольким изображениям.

118скачиваний за 30 дней1лайквеса обновлены29 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

mlx-community подготовила неофициальную конверсию модели MapAnything в формат MLX с весами float16 для запуска на Apple Silicon. Исходная модель разработана Meta и CMU как прямой трансформер для метрической 3D-реконструкции по одному или нескольким изображениям; в неё также можно передавать калибровку камеры, карты глубины и позы камер.

За один проход модель предсказывает для каждого ракурса карту 3D-точек, глубину, направления лучей, позу и внутренние параметры камеры, карту уверенности и маску неоднозначности. В основе — энкодер DINOv2 ViT-g/14 и 16-слойный трансформер для нескольких ракурсов; в репозитории указано около 1,23 млрд параметров. Конверсия рассчитана на выполнение через mlx-vlm и использует смешанную точность: основная часть энкодера и трансформера работает в float16, а геометрические головы — в float32.

Модель подходит для восстановления геометрии сцены и получения облака точек по изображениям, в том числе с нескольких камер. README сообщает о близких к PyTorch эталону результатах на проверенных видео с уличными сценами, однако эти измерения не гарантируют такую же точность на других данных. Веса распространяются по лицензии CC BY-NC 4.0, допускающей только некоммерческое использование.

Сценарии применения

  • восстановление 3D-геометрии сцены по одному изображению
  • построение облака точек по нескольким ракурсам
  • оценка глубины объектов и сцен на изображениях
  • оценка позы и внутренних параметров камеры
  • объединение изображений с данными о глубине и калибровке для реконструкции

Ограничения

Для запуска требуется версия mlx-vlm с поддержкой модели mapanything и совместимая среда MLX на Apple Silicon. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями; опубликованные оценки точности охватывают лишь несколько уличных видео.

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

mlx-community/map-anything-fp16

float16 MLX conversion of facebook/map-anything (revision a1d87e90) for the mapanything model in mlx-vlm. MapAnything (Meta and CMU, 3DV 2026) is a feed-forward model for metric 3D reconstruction: from one or more images, plus any optional intrinsics, depth maps and camera poses, one forward pass predicts for every view the metric point map, depth, ray directions, camera pose and intrinsics, a confidence map and a non-ambiguity mask.

This is an unofficial derivative. It holds weights and metadata only; the inference code lives in mlx-vlm. The weights are under CC BY-NC 4.0, like the original: noncommercial use only. For commercial use, see mlx-community/map-anything-apache-fp16, the Apache 2.0 release trained on a different data mix.

What is in model.safetensors (2.65 GB, about half the size of the float32 original):

  • 1.13 B float16 parameters: the linear layers (weights and biases) of the DINOv2 ViT-g/14 encoder (its first 24 blocks) and of the 16-layer multi-view transformer;
  • 95 M float32 parameters: the patch embedding, norms, LayerScales and position embeddings, the geometric input encoders, and the DPT, pose and scale heads;
  • keys renamed to the MLX module tree and conv kernels in channel-last layout. config.json is the original configuration plus model_type.

The encoder and transformer run their matmuls and attention in float16 with a float32 residual stream, norms and activations: the reference's mixed precision picks float16 on Apple GPUs. The heads run in float32, as in the reference.

Use with mlx-vlm

Requires an mlx-vlm version that includes the mapanything model (added after 0.7.4).

import mlx.core as mx
from mlx_vlm import load

model, processor = load("mlx-community/map-anything-fp16")

views = processor.load_images("path/to/images")  # a folder or a list of images
predictions = model.infer(views)                  # one dict per view, lazy
mx.eval(predictions)

pred = predictions[0]
pred["pts3d"]         # (1, H, W, 3) metric world points (first view's frame)
pred["depth_z"]       # (1, H, W, 1) metric depth
pred["camera_poses"]  # (1, 4, 4) OpenCV cam2world
pred["intrinsics"]    # (1, 3, 3)
pred["conf"]          # (1, H, W) confidence
pred["mask"]          # (1, H, W, 1) valid pixels

Any view can add calibration, depth and pose, in any combination:

views = processor.preprocess([
    {"img": image0, "intrinsics": K0, "depth_z": depth0, "camera_poses": pose0},
    {"img": image1, "intrinsics": K1},
    {"img": image2, "camera_poses": (quats_xyzw, trans), "is_metric_scale": False},
])
predictions = model.infer(views)

Command line, writing every output to predictions.npz and a colored point cloud to points.ply:

MLX_ENABLE_TF32=0 python -m mlx_vlm.models.mapanything.generate \
    --model mlx-community/map-anything-fp16 --images path/to/images --output out

On Apple M5 and later GPUs, MLX runs float32 matmuls at TF32 precision by default, which makes the float32 heads the largest source of error. Set MLX_ENABLE_TF32=0 before the first MLX matmul to avoid it (the command line does this); it costs a few milliseconds.

Accuracy and speed

Measured against the float32 PyTorch reference on frames of three outdoor videos (4 views at 518x294, MLX_ENABLE_TF32=0). With this float16 model, depth after scale normalization has a median relative error of 5e-5 to 2e-4 and the metric scale is within 1e-4 to 1.2e-3, on par with the reference's own mixed precision on MPS (6e-5 to 3e-4 and 2e-5 to 1.7e-3). In float32, the MLX port matches the reference to ~1e-6 on every output.

Full infer (network and post-processing) on an Apple M5 Max, 518x294 views. Another GPU application was running during these runs, so treat the numbers as relative:

ViewsMLX, this modelPyTorch MPS, mixed precision
10.06 s0.13 s
40.23 s0.47 s
80.48 s1.73 s
161.10 s5.27 s
322.89 s11.3 s

Citation

@inproceedings{keetha2026mapanything,
  title={{MapAnything}: Universal Feed-Forward Metric 3D Reconstruction},
  author={Keetha, Nikhil and M{\"u}ller, Norman and Sch{\"o}nberger, Johannes and Porzi, Lorenzo and Zhang, Yuchen and Fischer, Tobias and Knapitsch, Arno and Zauss, Duncan and Weber, Ethan and Antunes, Nelson and others},
  booktitle={International Conference on 3D Vision (3DV)},
  year={2026},
  organization={IEEE}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
d9435e8

0 моделей