MindJourney is a test-time scaling framework that leverages the 3D imagination capability of World Models to strengthen spatial reasoning in Vision-Language Models (VLMs). We evaluate on the SAT dataset and provide a baseline pipeline, a Stable Virtual Camera (SVC) based spatial beam search pipeline, and a Search World Model (SWM) based spatial beam search pipeline.
Характеристики
- Лицензия
- MIT
- Библиотека
- diffusers
- Опубликована
- 29 окт 2025
Ссылки
MindJourney-World-Model
MindJourney — исследовательская система, применяющая модели мира для усиления пространственных рассуждений визуально-языковых моделей.
605скачиваний за 30 дней5лайковвеса обновлены30 окт 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
MindJourney — исследовательская система, представленная Yuncong Yang и соавторами в работе для NeurIPS 2025. Она использует возможности 3D-моделей мира для усиления пространственных рассуждений визуально-языковых моделей. В репозитории описаны базовый конвейер, поиск по пространственным вариантам с Stable Virtual Camera и поиск с Search World Model; оценка проводится на наборе SAT.
Карточка модели не раскрывает размер, длину контекста, поддерживаемые языки или конкретную архитектуру весов. Метаданные Hugging Face указывают image-to-video, PyTorch и лицензию MIT. Это экспериментальная исследовательская система; по доступным сведениям её возможности нельзя приравнивать к универсальной модели генерации видео или считать доказанными за пределами описанной оценки.
Сценарии применения
- пространственные рассуждения по визуальным сценам
- оценка VLM на задачах набора SAT
- поиск пространственных гипотез с Stable Virtual Camera
- поиск пространственных гипотез с Search World Model
Ограничения
README описывает исследовательскую систему и оценку на наборе SAT, но не приводит количественных результатов или подробностей о поддерживаемых языках и ограничениях применения. Тег image-to-video в метаданных сам по себе не подтверждает возможности универсальной генерации видео.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
I.13Универсальные способностиСимуляция, моделирование и открытие новогоAI помогает исследовать сложные системы, проверять сценарии и искать новые конструкции, закономерности или гипотезы.18 задач1 577моделейI.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модельI.10Универсальные способностиВидео, анимация и 3DAI помогает создавать, анализировать и преобразовывать динамический визуальный контент и 3D-сцены.18 задач3 279моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · diffusers
Модели «картинка → видео» пока не запускаются.
- Ревизия весов
- 060dcf7