К содержимому
Другое

Photon Memory

нейросетевой рендеринг освещения с адаптацией во время теста

2 мин чтенияобновлено

Набор чекпоинтов для модели Photon Memory (код проекта renderTTT от автора ANABUR), которая предсказывает распределение света в задачах трассировки фотонов (метод расчёта сложного освещения в 3D-графике). Модель читает базу из 100 миллионов фотонов с помощью механизма TTT (test-time training — дообучение модели непосредственно во время инференса под конкретную сцену) и дополняет предсказание остаточными лепестками рассеивания. На тестовой сцене светильника Rough Flower она достигает показателя направленного NLL около −6.00, обходя базовый метод PureLight в режиме адаптации. Релиз пригодится исследователям и разработчикам в области 3D-графики и физически корректного рендеринга.

Ключевые особенности

  • Включает 4 чекпоинта разного уровня: от базового мета-ридера v3_ksched_model.pt (~0.7 МБ) до финальной связки с остаточной сетью big_match_res2c_best.pt (~42 МБ).
  • Поддерживает zero-shot режим (без дообучения на сцене) с показателем NLL ≈ −0.460, что соответствует уровню учителя PureLight.
  • При последовательной адаптации (warm-start chain) с k=512 и памятью на 100 млн фотонов снижает NLL до −6.00.
  • В репозитории также приложены логи обучения и оценки (logs/*.jsonl) для проверки воспроизводимости.

Что можно сделать

  • Воспроизвести эксперименты по нейронному рендерингу сцены Rough Flower, используя парный датасет фотонов ANABUR/photon-memory-photons и скрипт scripts/ttt_big.py.
  • Использовать компактный мета-ридер v3_ksched_model.pt в качестве стартовой точки для быстрой адаптации под новые трассированные сцены на базе библиотеки lightmem.

Пример

import torch
from lightmem.models import PhotonKernel, ResidualLobes

sd = torch.load("checkpoints/big_match_res2c_best.pt", map_location="cpu")
reader = PhotonKernel(k=512, k_feat=True)
reader.load_state_dict(sd["reader"])
residual = ResidualLobes(K=32, finest=2048, log2_table=19)
residual.load_state_dict(sd["residual"])
ПодробнееМетрики на Rough Flower: zero-shot NLL ≈ −0.460, только ридер после TTT ≈ −0.53, финальный matched TTT + residual ≈ −6.00.
Требования: для воспроизведения с памятью 1e8 и остаточной сетью требуется CUDA GPU с ~40 ГБ VRAM.
Ограничения: результат −6.00 достигается через matched test-time adaptation на остатке того же файла фотонов (11e6), а не в режиме zero-shot.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 2060 · BF16 — от RTX 2060

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

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.

    # ANABUR/photon-memory
    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 ANABUR/photon-memory --local-dir ~/models/photon-memory
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к photon-memory
  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

Новые посты про версии photon-memory — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

ANABUR/photon-memory
Автор
ANABUR
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

CPMG

CPMG