/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
32,1 ГБ
Лицензия
Apache 2.0
Архитектура
cambrian_qwen · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
4 ноя 2025

Cambrian-S-7B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе Qwen2.5 для пространственных рассуждений и ответов о содержимом видео и изображений.

755скачиваний за 30 дней5лайковвеса 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-7B — мультимодальная модель для пространственного анализа видео, разработанная Shusheng Yang, Jihan Yang, Pinzhi Huang, Ellis Brown и соавторами. Она объединяет Qwen2.5-7B-Instruct, визуальный энкодер SigLIP2-SO400M и двухслойный MLP-адаптер; в репозитории указано 7,1 млрд параметров и контекст 32 768 токенов. Модель обучали в четыре этапа: выравнивание изображений, обучение на инструкциях по изображениям и видео, затем обучение пространственным инструкциям на VSI-590K и данных инструкций по видео.

Модель предназначена для диалогового анализа визуального содержимого и пространственных отношений в видео, а также справляется с общими задачами понимания видео. Поддерживаемые задачи каталога — генерация текста и преобразование изображения в текст; метаданные указывают английский язык. Модель доступна в формате safetensors для Transformers по лицензии Apache-2.0. Доступные сведения не описывают ограничения точности или условия эксплуатации сверх лицензии.

Сценарии применения

  • ответы на вопросы о пространственных отношениях в видео
  • анализ расположения объектов и сцен в видеороликах
  • понимание общего содержания видео по запросу
  • ответы на вопросы по изображению

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-7B

Website | Paper | GitHub | Cambrian-S Family

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

Cambrian-S-7B 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: Qwen2.5-7B-Instruct + SigLIP2-SO400M vision encoder + 2-layer MLP adapter
  • Parameters: 7B
  • 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-7B"
tokenizer, model, image_processor, _ = load_pretrained_model(model_path, None, "cambrian-s-7b", 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 others},
  journal={arXiv preprint arXiv:2025},
  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
556e72f

0 моделей