К содержимому
Компьютерное зрение

Tracely

визуальная навигация по улицам для Qwen3-VL-8B

2 мин чтенияобновлено

Модель получает фото улицы от первого лица и текстовую команду вроде «подойди к скамейке слева», а на выходе рисует траекторию движения человека в виде списка нормализованных 2D-координат на изображении. Это LoRA-адаптер (небольшая обучаемая надстройка весом 44M параметров) от автора ahd03 поверх мультимодальной модели Qwen3-VL-8B-Instruct. Главная фишка в том, что адаптер обучался исключительно на синтетических сценах из Blender без единой реальной фотографии, но при этом показывает сильный результат на реальных сценариях бенчмарка NaviTrace. Пригодится разработчикам робототехники, ассистентов для слабовидящих и исследователям VLM-навигации (Vision-Language Navigation).

Ключевые особенности

  • Обучение только на синтетике: использовано 8 392 тренировочных примера из датасета vln-synthetic-streets (три процедурно сгенерированных города в Blender), визуальный энкодер при этом был заморожен.
  • Сильный прирост над базой: на валидации NaviTrace общий балл вырос с -28.3 у исходной Qwen3-VL-8B до 36.9 (ориентировочно выше, чем средние показатели Gemini 2.5 Pro и GPT-5 в лидерборде).
  • Учёт препятствий и рельефа: модель лучше всего справляется с динамическими (50.5) и статичными препятствиями (41.1), а также учитывает семантику покрытия и доступность пути.
  • Компактный формат: LoRA rank 16 (44M обучаемых параметров) подключается через библиотеку peft поверх стандартной 8B-модели.

Что можно сделать

  • Прототипирование навигации: встроить в пайплайн пешеходного робота или AR-подсказчика для прокладки безопасного маршрута по кадру с камеры.
  • Разметка путей на изображениях: использовать генерацию координат от нижней границы кадра (y = 0.95) до целевого объекта для визуализации траекторий в симуляторах и городских датасетах.
  • Исследование sim-to-real переноса: взять за основу для экспериментов по дообучению VLM на процедурных 3D-сценах с последующим переносом на реальные фото.

Пример

from peft import PeftModel
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

base = "Qwen/Qwen3-VL-8B-Instruct"
processor = AutoProcessor.from_pretrained(base)
model = Qwen3VLForConditionalGeneration.from_pretrained(base, torch_dtype="auto", device_map="cuda")
model = PeftModel.from_pretrained(model, "ahd03/tracely").eval()
# На вход подаётся фото (длинная сторона 896 px) и системный/пользовательский промпт NaviTrace
ПодробнееБенчмарк NaviTrace (500 сценариев Human validation): общий балл 36.9 (против -28.3 у базовой Qwen3-VL-8B; ориентиры лидерборда: человек-эксперт — 75.5, Gemini 2.5 Pro — 35.4, GPT-5 — 21.1).
Обучение: LoRA rank 16, alpha 32 (44M параметров) на проекциях языковой модели в 3 раунда на A100 80 GB (~4 часа), разрешение 896 px.
Ограничения: работает по одному кадру без памяти предыдущих, обучена только под пешеходный режим (Human embodiment), слабее всего отрабатывает социальные нормы (24.1 балла).
Обсудить Telegram 0 30

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 16 GB · готовые файлы19 GB
  • FP8 / INT8рекомендуемвеса 8.3 GB9.7 GB
  • 4-bitвеса 4.8 GB5.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 3080 · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью Qwen3-VL-8B-Instruct.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ahd03/tracely
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Qwen/Qwen3-VL-8B-Instruct --local-dir ~/models/Qwen3-VL-8B-Instruct
    hf download ahd03/tracely --local-dir ~/models/tracely
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-VL-8B-Instruct
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Нужна базовая модель

Qwen/Qwen3-VL-8B-Instruct

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии Qwen3-VL-8B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

ahd03/tracely
Автор
ahd03
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

CIEAV-Model

CIEAV-Model