Skip to content
Computer vision

Qwen3-VL-2B-RSM2FTok-cd

маски для Земли из спутниковых снимков

2 min readupdated

Это исследовательский чекпоинт, который связывает VLM Qwen3-VL-2B с токенизатором масок RSM2FTok. На вход он получает снимок дистанционного зондирования и текстовую инструкцию, а на выходе выдаёт текст со специальными mask-токенами. Декодер RSM2FTok превращает эти токены в попиксельную маску. Основные задачи — change detection и картирование оползней. Это не готовый генератор PNG: для работы нужны совместимый токенизатор и процедура декодирования.

Ключевые особенности

  • Совмещает backbone Qwen3-VL-2B с токенизатором RSM2FTok для задач по Earth observation.
  • Маска кодируется как текст: сетка 4×4, по два code-токена на регион, всего 32 токена на маску.
  • Это SFT-вариант для обычного supervised-инференса; RL-варианты в линейке предназначены для своих распределений задач.
  • Заявленные задачи: remote-sensing change detection и landslide mapping.
  • Без RSM2FTok-декодера одна языковая модель не выдаст готовую маску.

Что можно сделать

  • Прогонять спутниковые снимки через пайплайн RSM2FTok для поиска изменений и картирования оползней.
  • Встроить чекпоинт в исследовательский pipeline pixel-wise Earth observation вместе с родным токенизатором и декодером.
  • Проверять качество масок на своих данных, но только с тем же чекпоинтом, токенизатором, сплитом и промптами.
  • Использовать как базу для экспериментов с supervised-инференсом в remote-sensing VLM.

Пример

Сценарий: на вход подаётся снимок и текстовая инструкция; модель возвращает последовательность вида <|mt_start|><|mt_0238|>…<|mt_end|>. Декодер RSM2FTok собирает из пар code-токенов попиксельную маску.

ПодробнееМаска — сетка 4×4, по два code-токена на регион, всего 32 токена; две кодовые книги по 256 записей.
Диапазон токенов 0000–0511; у второго токена пары вычитают 256 перед декодированием.
Качество зависит и от предсказания токенов, и от реконструкции RSM2FTok; мелкие, тонкие и перекрытые области могут страдать.
Бенчмарков и требований к VRAM в карточке нет; Quick start обещан позже.
Discuss Telegram 0 32

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 4.0 GB · ready files4.9 GB
  • FP8 / INT8recommendedweights 2.0 GB2.7 GB
  • 4-bitweights 1.1 GB1.7 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # koreyoshieo/Qwen3-VL-2B-RSM2FTok-cd
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download koreyoshieo/Qwen3-VL-2B-RSM2FTok-cd --local-dir ~/models/Qwen3-VL-2B-RSM2FTok-cd
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of Qwen3-VL-2B-RSM2FTok-cd (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

koreyoshieo/Qwen3-VL-2B-RSM2FTok-cd
Author
koreyoshieo
Category
Computer vision
Released
Posted

On NeyroLearn

Hugging Face

320

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments