/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
Apache 2.0
Архитектура
internvl · dense
Библиотека
transformers
Опубликована
12 дек 2025

Generalist-IDM-1B

Изображение и текст → текст3 профессии

Generalist-IDM-1B восстанавливает пропущенные нажатия клавиатуры и движения мыши по последовательности кадров игрового видео.

316скачиваний за 30 дней5лайковвеса обновлены15 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Generalist-IDM-1B — модель vision-action проекта Open World Agents для восстановления действий игрока по игровому видео. Она принимает последовательность кадров экрана размером 448×448 и событий клавиатуры и мыши с временными метками, а затем предсказывает пропущенные события ввода между наблюдениями. Модель основана на InternVL и содержит около 0,9 млрд параметров.

Модель обучена на наборе D2E: 267 часах синхронизированных игровых видео и событий ввода из 29 игр для ПК разных жанров, включая шутеры от первого лица, игры с открытым миром, песочницы и roguelike. Она предназначена для восстановления траекторий управления и анализа игрового поведения; результат можно сохранить в MCAP с временными метками, синхронизированными с исходным видео.

Для инференса описан конвейер с предварительной обработкой видео и использованием CUDA-совместимого GPU; в README указана потребность примерно в 8 ГБ видеопамяти или больше и скорость около шести секунд обработки на секунду видео на H100. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает о поддержке иных типов входных данных или языковых сценариях.

Сценарии применения

  • восстановление событий управления в игровых видеозаписях
  • синхронизация игровых действий с кадрами видео
  • подготовка траекторий ввода для анализа игрового поведения
  • извлечение клавиатурных и мышиных событий из записей игр

Ограничения

Модель обучена на играх для ПК из набора D2E, поэтому её переносимость на другие игры и сценарии управления не установлена. Инференс ресурсоёмкий: README указывает около 8 ГБ видеопамяти или больше и примерно шесть секунд обработки на секунду видео на H100.

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

Generalist-IDM-1B

Generalist Inverse Dynamics Model for predicting keyboard and mouse actions from gameplay video.

Project Page · Paper (arXiv) · GitHub · Demo

Model Description

Generalist-IDM-1B is a vision-action model trained on the D2E dataset—267 hours of synchronized gameplay video and input events from 29 PC games. Given a trajectory of screen frames and actions, the model predicts the missing actions between observations (Inverse Dynamics Model).

  • Architecture: Based on InternVL with 0.9B parameters
  • Input: Trajectory containing screen frames (448×448) and keyboard/mouse events with timestamps
  • Output: Predicted keyboard and mouse events for gaps in the trajectory
  • Training Data: 29 PC games across diverse genres (FPS, open-world, sandbox, roguelike, etc.)

Quick Start

The easiest way to run inference is using the standalone script from the D2E repository:

# Clone the repository
git clone https://github.com/worv-ai/D2E.git
cd D2E

# Run inference (dependencies auto-installed by uv)
uv run inference.py input_video.mp4 output.mcap

Prerequisites

  • uv
  • FFmpeg
  • CUDA-capable GPU (~8GB+ VRAM)

Options

uv run inference.py input_video.mp4 output.mcap --device cuda        # GPU inference (default)
uv run inference.py input_video.mp4 output.mcap --device cpu         # CPU inference
uv run inference.py input_video.mp4 output.mcap --max-duration 30    # Limit to 30 seconds

⏱️ Inference Time: On H100, processing 1 second of video takes ~6 seconds. For a 1-minute video, expect ~6 minutes of inference time.

Output Format

The output is an MCAP file containing predicted keyboard and mouse events with nanosecond timestamps synchronized to the input video. You can visualize the output using the Dataset Visualizer.

Programmatic Usage

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model = AutoModelForImageTextToText.from_pretrained(
    "open-world-agents/Generalist-IDM-1B",
    device_map="cuda",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(
    "open-world-agents/Generalist-IDM-1B",
    trust_remote_code=True,
)

For full inference pipeline with video preprocessing and MCAP output, see inference.py.

Training Data

This model was trained on the D2E dataset:

DatasetResolutionDescription
D2E-480p480p 60fps267 hours from 29 PC games
D2E-OriginalFHD/QHDOriginal resolution recordings

Citation

@article{choi2025d2e,
  title={D2E: Scaling Vision-Action Pretraining on Desktop Data for Transfer to Embodied AI},
  author={Choi, Suhwan and Jung, Jaeyoon and Seong, Haebin and Kim, Minchan and Kim, Minyeong and Cho, Yongjun and Kim, Yoonshik and Park, Yubeen and Yu, Youngjae and Lee, Yunsung},
  journal={arXiv preprint arXiv:2510.05684},
  year={2025}
}

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
InternVLForConditionalGeneration
Ревизия весов
eae1648

0 моделей