/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
14 ГБ
Лицензия
Apache 2.0
Архитектура
cambrian_qwen · dense
Базовая модель
Qwen2.5-3B-Instruct
Библиотека
transformers
Опубликована
5 ноя 2025

Cambrian-S-3B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе Qwen2.5-3B для пространственных рассуждений и ответов о содержании видео.

52скачиваний за 30 дней1лайквеса обновлены7 ноя 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

Cambrian-S-3B — мультимодальная языковая модель пространственного анализа видео, разработанная Shusheng Yang, Jihan Yang, Pinzhi Huang, Ellis Brown и соавторами. Она предназначена прежде всего для ответов на вопросы о пространственных отношениях и событиях в видео, сохраняя возможности общего понимания видео.

Модель построена на Qwen2.5-3B-Instruct с визуальным энкодером SigLIP2-SO400M (SigLIP-384) и двухслойным MLP-адаптером; содержит около 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Обучение включало этапы согласования изображений, обучения на инструкциях по изображениям и видео, а затем пространственного обучения на VSI-590K и общих данных видеоинструкций.

Модель подходит для анализа видеосцен и пространственных рассуждений. Карточка заявляет высокие результаты на визуально-пространственных тестах и конкурентное качество на задачах общего понимания видео. В метаданных указана лицензия Apache-2.0. Язык карточки — английский; других сведений о языковой поддержке нет.

Сценарии применения

  • ответы на вопросы о пространственных отношениях в видео
  • определение положения и взаимного расположения объектов в видеосцене
  • анализ последовательности событий в видео
  • общее понимание видео по пользовательским инструкциям

Ограничения

Заявленные сильные результаты относятся к визуально-пространственным бенчмаркам и не гарантируют точность на любых видео. Карточка не приводит численных результатов или подробных ограничений по входным форматам 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

Cambrian-S-3B

Website | Paper | GitHub | Cambrian-S Family

Authors: Shusheng Yang*, Jihan Yang*, Pinzhi Huang†, Ellis Brown†, et al.

Cambrian-S-3B is a spatially-grounded multimodal large language model that excels at spatial reasoning in video understanding. It achieves state-of-the-art performance on visual-spatial benchmarks while maintaining competitive performance on general video understanding tasks.

Model Details

  • Architecture: Qwen2.5-3B-Instruct + SigLIP2-SO400M vision encoder + 2-layer MLP adapter
  • Parameters: 3B
  • Vision Encoder: SigLIP-384 (SiGLIP)
  • Training: 4-stage pipeline (image alignment → image IT → video IT → spatial IT)
  • Training Data: Trained on VSI-590K (spatial reasoning) + general video instruction data

Usage

from cambrian.model.builder import load_pretrained_model
from cambrian.mm_utils import process_images, tokenizer_image_token
from cambrian.conversation import conv_templates

model_path = "nyu-visionx/Cambrian-S-3B"
tokenizer, model, image_processor, _ = load_pretrained_model(model_path, None, "cambrian-s-3b", device_map="cuda")

# Process image/video
conv = conv_templates["qwen_2"].copy()
conv.append_message(conv.roles[0], "<image>\nWhat objects are in this scene?")
conv.append_message(conv.roles[1], None)
prompt = conv.get_prompt()

# Generate
output_ids = model.generate(input_ids, images=image_tensor, image_sizes=image_sizes)

Citation

@article{yang2025cambrian,
  title={Cambrian-S: Towards Spatial Supersensing in Video},
  author={Yang, Shusheng and Yang, Jihan and Huang, Pinzhi and Brown, Ellis and Yang, Zihao and Yu, Yue and Tong, Shengbang and Zheng, Zihan and Xu, Yifan and Wang, Muhan and Lu, Danhao and Fergus, Rob and LeCun, Yann and Fei-Fei, Li and Xie, Saining},
  journal={arXiv preprint arXiv:2511.04670},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура cambrian_qwen неизвестна transformers в образе рантайма.

Класс архитектуры
CambrianQwenForCausalLM
Ревизия весов
9d8cbd7

0 моделей