/ Модель

Характеристики

Контекст
14 588 токенов
Размер весов
18,1 ГБ
Лицензия
Apache 2.0
Архитектура
internvl_chat · dense
Базовая модель
InternVL3_5-8B
Библиотека
transformers
Опубликована
4 авг 2026

SpatioLM-Understanding-InternVL3.5

Изображение и текст → текст3 профессии

SpatioLM-Understanding-InternVL3.5 — мультимодальная модель для пространственного рассуждения и понимания сцен по изображению и текстовому запросу.

174скачиваний за 30 дней0лайковвеса обновлены4 авг 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

SpatioLM-Understanding-InternVL3.5 — официальная модель Xiaomi Research для пространственного рассуждения и понимания сцен по изображениям. Она дообучена на базе мультимодальной чат-модели InternVL3.5-8B и использует подключаемый пространственно-визуальный модуль, обученный на псевдоданных о глубине и лучах камеры. Дополнительные 3D-данные на входе во время работы не требуются.

Модель предназначена для исследовательских задач физического пространственного интеллекта: анализа сцены и рассуждений о пространственных отношениях по изображению и текстовому запросу. Архитектура — плотная InternVL Chat; модель работает с изображениями и текстом, формат весов — safetensors. Для запуска нужна собственная реализация SpatioLM: стандартных классов Transformers Auto недостаточно.

Ответы могут быть неточными; качество зависит от изображения, ракурса, предметной области сцены, формулировки запроса и стратегии выборки кадров. Модель не следует использовать как единственный источник для критически важных решений. Лицензия — Apache-2.0.

Сценарии применения

  • описание пространственных отношений между объектами на изображении
  • анализ расположения объектов в сцене
  • рассуждение о глубине и геометрии сцены по изображению
  • ответы на вопросы о физическом устройстве сцены
  • исследования пространственного интеллекта в компьютерном зрении

Ограничения

Ответы могут быть неточными, а качество зависит от изображения, ракурса, области сцены и формулировки запроса; для запуска требуется собственная реализация SpatioLM. Не следует полагаться на модель как на единственный источник в критически важных решениях.

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

SpatioLM-Understanding-InternVL3.5

This is the official SpatioLM Understanding checkpoint based on InternVL3.5 (8B). It is intended for spatial reasoning and scene understanding.

SpatioLM adds a plug-and-play spatio-vision module to a frozen vision-language model and learns physically coherent representations from pseudo depth and camera-ray supervision. No additional 3D input is required at inference time.

Resources

Installation

git clone https://github.com/xiaomi-research/spatio-lm.git
cd spatio-lm
pip install -e .

Image inference

import torch
from lmms_eval.models.simple.internvl2 import load_image
from PIL import Image
from transformers import AutoTokenizer

from spatiolm.models import InternVL3RChatModel

checkpoint = "xiaomi-research/SpatioLM-Understanding-InternVL3.5"
image = Image.open("/path/to/image.jpg").convert("RGB")

model = InternVL3RChatModel.from_pretrained(
    checkpoint,
    dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
).eval().cuda()
tokenizer = AutoTokenizer.from_pretrained(
    checkpoint,
    trust_remote_code=True,
    use_fast=False,
)
pixel_values = load_image(image, input_size=448).to(
    device="cuda",
    dtype=torch.bfloat16,
)
answer = model.chat(
    tokenizer,
    pixel_values,
    "Which object is closer to the camera?",
    {"max_new_tokens": 128, "do_sample": False},
)
print(answer)

For video inference, benchmark evaluation, training details, and the Action checkpoint interface, see the SpatioLM repository.

Intended use and limitations

  • This checkpoint is intended for research on physical spatial intelligence.
  • Outputs can be inaccurate and should not be used as the sole signal in safety-critical or high-impact decisions.
  • Performance can vary with image quality, viewpoint, scene domain, prompting, and video sampling strategy.
  • The custom SpatioLM model implementation is required; loading with only stock Transformers auto classes is not supported.

Citation

@inproceedings{wu2026spatiolm,
  title={SpatioLM: Towards General Physical Spatial Intelligence in Vision-Language Models},
  author={Wu, Jing and Wu, Jianhua and Guan, Jiayi and Chen, Jiahong and Lu, Jinghui and Ye, Hangjun and Gao, Bingzhao and Chen, Long},
  booktitle={International Conference on Machine Learning (ICML)},
  year={2026},
  note={To appear},
  eprint={2608.01899},
  archivePrefix={arXiv},
  url={https://arxiv.org/abs/2608.01899}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура internvl_chat неизвестна transformers в образе рантайма.

Класс архитектуры
InternVL3RChatModel
Ревизия весов
fcfd7d4

0 моделей