К содержимому
Другое

ResPlan CVAE

генерация и интерполяция планировок

2 мин чтения

Модель представляет собой условный вариационный автоэнкодер (CVAE, архитектура для сжатия данных в латентное пространство и генерации новых объектов), обученный на датасете жилых планов ResPlan. Она кодирует геометрию плана этажа в латентное пространство размерности 64 и восстанавливает её через декодер с учётом численных параметров (площадь, глубина стен). Модель создана в рамках хакатона IAAC AI Architecture 2026 и предназначена для исследовательского генеративного дизайна, а не для выпуска готовой проектной документации.

Ключевые особенности

  • Архитектура CVAE: компактное латентное пространство (64 измерения) для кодирования и реконструкции пространственных паттернов.
  • Датасет ResPlan: обучение на 17 000 планов жилых помещений с 14 геометрическими каналами (стены, двери, комнаты, сад и др.).
  • Формат ONNX: модель экспортирована в ONNX для быстрого запуска через ONNX Runtime без тяжёлых фреймворков.
  • Интерполяция: поддержка плавных переходов между латентными представлениями двух разных планов этажей.

Что можно сделать

  • Дизайн-исследования: генерировать промежуточные варианты жилых планировок с помощью латентной интерполяции.
  • Инференс на ONNX: запускать модель локально для реконструкции 14-канальных растровых представлений планов.
  • Интеграция в пайплайны: использовать сохранённые примеры входов для тестирования архитектурных идей.

‍Пример

Запуск инференса модели с помощью ONNX Runtime:

import onnxruntime as ort
import numpy as np

session = ort.InferenceSession(
    "resplan_cvae.onnx",
    providers=["CPUExecutionProvider"]
)

images = np.load("example_inputs/floorplan_01.npy").astype(np.float32)
conditions = np.load("example_inputs/condition_01.npy").astype(np.float32)

input_names = [item.name for item in session.get_inputs()]

outputs = session.run(
    None,
    {
        input_names[0]: images,
        input_names[1]: conditions
    }
)

print("Output shape:", outputs[0].shape)
ПодробнееЧисло параметров: 2.32M (для конфигурации CVAE_z64).
Лучшая метрика: минимальная ошибка реконструкции и целевая функция достигнуты в варианте с латентной размерностью 64 (test objective: 187.84).
Входные данные: растровое разрешение 64x64, 14 каналов геометрии и 3 числовых признака.
Ограничения: модель выдает растр (не векторный CAD/BIM), стены и детали могут быть размытыми, а валидность планировок не гарантируется.
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.

    # fawad-iaac/hackathon-team4-resplan-ae
    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 fawad-iaac/hackathon-team4-resplan-ae --local-dir ~/models/hackathon-team4-resplan-ae
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hackathon-team4-resplan-ae
  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 hackathon-team4-resplan-ae — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

fawad-iaac/hackathon-team4-resplan-ae
Автор
fawad-iaac
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