/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
diffusers
Опубликована
12 авг 2026

Track4D-2026

Языковая модельВидео, текст → видео

Адаптеры Track4D расширяют видеомодели Wan для плотного 3D-трекинга по видео с использованием RGB и геометрии.

0скачиваний за 30 дней0лайковвеса обновлены11 окт 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

yslan/Track4D-2026 — репозиторий адаптеров модели Track4D для плотного 3D-трекинга объектов и точек в видео. В карточке представлены отдельные линии RTV, NCMV и Mixture-of-Transformers (MoT); их чекпойнты предназначены для разных сценариев и не взаимозаменяемы. Например, адаптер MoT recovery1000 рассчитан на Wan2.2-TI2V-5B и совместно использует RGB-кадры и геометрию. Это не самостоятельная модель: для инференса требуются базовая Wan2.2-TI2V-5B, текстовый энкодер и токенизатор T5, VAE и подготовленный кэш геометрии. Также доступны адаптеры для Wan2.1-T2V-14B и Wan2.1-I2V-14B; README указывает для них обработку 49 кадров, а для NCMV — разрешение 512 × 512.

Модель предназначена для плотного отслеживания в видео и оценки движения в 3D; в репозитории опубликованы адаптеры и материалы для воспроизведения оценки на бенчмарках. Файлы весов представлены в формате safetensors, библиотека — diffusers. Лицензия указана как other, а условия перераспределения датасетов необходимо рассматривать отдельно от лицензии кода Track4D. Чекпойнты разных линий требуют соответствующих базовых моделей и конфигураций; оценочные результаты совместного RTV+NCMV рецепта нельзя трактовать как изолированный эффект одной функции потерь.

Сценарии применения

  • плотное отслеживание точек и объектов в видео
  • оценка движения и траекторий в 3D по последовательности кадров
  • воспроизведение оценивания RTV и NCMV на видеобенчмарках

Ограничения

Адаптеры не являются самостоятельными моделями и требуют соответствующей базовой Wan-модели и дополнительных компонентов; чекпойнты RTV, NCMV и MoT несовместимы между собой. Условия лицензирования весов и данных требуют отдельной проверки, поскольку лицензия указана как other, а условия перераспределения датасетов отделены от лицензии кода.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Track4D-2026

Public model adapters and exact evaluation assets for Track4D, a conditional-video approach to dense 3D tracking. The repository contains separate RTV, NCMV, and Mixture-of-Transformers (MoT) model lines. Their checkpoints are not interchangeable.

Model adapters

FileModel and intended use
mot/track4d_mot_wan22_5b_recovery1000.safetensorsMoT recovery1000 adapter for Wan2.2-TI2V-5B; dense RGB + geometry tracking. Contains 1,475 trained tensors (588 Wan, 822 MoT, 62 DPT, 3 XYZ encoder). It is not a standalone base model and contains no optimizer state.
ncmv/wan21_t2v_14b_512x512x49_lora_r64_step4000.safetensorsNCMV-only Wan2.1-T2V-14B adapter, native 512 × 512 × 49.
rtv/joint_rtv_ncmv_wan21_i2v_14b_lora_r64_step5000.safetensorsJoint RTV + NCMV Wan2.1-I2V-14B adapter, trained with 49-frame diverse-resolution data.
rtv/rtv_only_noqi_wan21_i2v_14b_lora_r64_step9000.safetensorsRTV-only/noQI Wan2.1-I2V-14B adapter, trained with 49-frame diverse-resolution data.
experimental/da3_vdm_vitdpt_step016000/Retained Wan LoRA, ViT/DPT probe, and DA3 LoRA for the live-DA3 3D pipeline.
experimental/dense2d_step013500/Retained Wan LoRA and ViT/DPT probe for dense UV tracking plus visibility.

The MoT recovery1000 adapter SHA256 is adb6584dee2d640c299dc8b9fc84ae1377ad46ba6a977960c55536dd7ca5bc26 and its size is 7,129,090,808 bytes. The exact byte sizes and hashes for all released adapters are in checkpoint_manifest.json.

MoT inference

The public GitHub repository includes the strict model loader, inference protocol, and versioned config. With the separately obtained Wan2.2-TI2V-5B base model, T5 encoder/tokenizer, VAE, and prepared geometry cache installed, the config resolves the MoT adapter from this repository automatically:

python scripts/train/launch_v2v.py \
  configs/experiments/infer_mot_recovery1000_worldtrack49.yaml

Set MOT_CHECKPOINT=/path/to/local.safetensors to override the hosted adapter with a local file. The strict loader verifies the trained topology. Model design, evaluation protocol, and limitations are documented in docs/MOT.md.

Wan base models, geometry models, and datasets are obtained separately. The MoT Omega-DPT component retains its upstream FAIR Noncommercial Research License; see third_party/ in the code repository. This Hub adapter does not grant rights to redistribute or use third-party base models beyond their own terms.

RTV/NCMV evaluation assets

The code repository downloads each group selectively with scripts/download_eval_assets.py:

  • evaluation/worldtrack_release/: 208 benchmark input/GT NPZ files.
  • evaluation/stream3r_short256_49f/: 200 aligned RGB/geometry NPZ files for the stable RTV replay.
  • evaluation/da3base_step012500_predictions/: exact historical 3D predictions plus evaluator JSON/TXT.
  • evaluation/dense2d_step011500/: five-source metric JSONs and qualitative NPZ/MP4 examples.

For the released WorldTrack RTV scorecard, short256 is both the aligned membership and the short-side-256 Stream3R scaffold contract. ADT uses 256 × 256; PO, PStudio, and DS/DR preserve landscape aspect and use the 448 × 256 model bucket. Joint RTV+NCMV uses one denoising step; RTV-only uses 50. Exact replay uses base seed 42 plus the global video index over the fixed ADT, PO, PStudio, DS/DR order.

The joint RTV+NCMV model is a continuation from RTV-only. Its historical score improvement describes the complete two-stage recipe and is not an isolated causal estimate of the NCMV loss. Old experimental 3D step-12.5K and dense-2D step-11.5K model weights were rotated during continued training; saved outputs reproduce their published numbers, while the retained 16K/13.5K weights are not misidentified as those historical metric checkpoints.

Dataset-specific redistribution terms remain separate from the Track4D code license. Historical NPZ files can contain provenance-only source path strings; evaluation uses only their embedded arrays.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «видео → видео» пока не запускаются.

Ревизия весов
cae249d

0 моделей