К содержимому
Другое

VLM-all-inclusive (OmniVLM)

омни-модель с нуля, которая видит, слышит, говорит и шевелит губами

2 мин чтенияобновлено

Исследовательский проект от hkblockchaintechnology: единая нейросеть, обученная полностью с нуля на одной видеокарте без готовых предобученных бэкбонов (вроде готовых ViT или HiFi-GAN). Модель принимает картинку и вопрос, генерирует текстовый ответ, озвучивает его и рендерит видео с говорящей головой и синхронизированным липсинком, а также умеет распознавать речь на входе. Вся мультимодальность строится вокруг общего словаря (8011 слов + 39 фонем ARPAbet) и единого ствола весов (trunk), где речевые головы обучаются в режиме multi-task вместе со зрением. Подойдёт исследователям мультимодальных архитектур и энтузиастам, которым интересен полный цикл обучения омни-моделей end-to-end.

Ключевые особенности

  • Полный цикл с нуля: зрение (ViT, 10 слоёв, сцены 128px), языковой мозг (16-слойный трансформер с RoPE и cross-attention), слух (CTC-распознаватель фонем), голос (декодер в духе FastSpeech) и вокодер (в духе Vocos с ConvNeXt и ISTFT) написаны и обучены без внешних предобученных модулей.
  • Единое пространство токенов: общие веса обрабатывают визуально-языковые задачи и одновременно управляют синтезом речи и артикуляцией, не разделяя модель на изолированные копии.
  • Встроенный липсинк-рендерер: модель преобразует собственную временную шкалу фонем (ARPAbet) в виземы и параметры движения рта, челюсти и бровей, собирая итоговый ролик mp4 через ffmpeg.
  • Генерация сцен прямо на GPU: визуально-языковой датасет (фигуры, цвета, размеры, счёт, пространственные отношения на сетке 3×3) рендерится векторизованным растеризатором на видеокарте, чтобы не простаивать в ожидании CPU.

Что можно сделать

  • Изучить архитектуру multi-task омни-моделей: разобрать код обучения единого ствола весов, где CTC-слух сам размечает данные для речевого декодера без внешнего forced aligner.
  • Заменить синтетические сцены на реальные данные: по инструкции автора можно подменить модуль omni/scenes.py на реальный датасет для VQA или описания изображений и дообучить модель.
  • Протестировать сквозную генерацию видеоответа: запустить метод OmniSystem.test_to_movie(), чтобы на одной GPU за ~2.5 секунды получить ролик с озвученным ответом на вопрос по сцене.

Пример

python -m omni.train --stage vlm     --preset xl --steps 8000 --batch 384
python -m omni.train --stage ear     --steps 4000 --batch 24
python -m omni.train --stage align
python -m omni.train --stage speech  --steps 6000 --batch 24
python -m omni.train --stage vocoder --steps 4000 --batch 16
ПодробнееОбучалось на RTX PRO 6000 Blackwell (100 ГБ VRAM); в текущем снапшоте пройдены 251 шаг для VLM (loss 0.1577), 503 шага для ear и 2251 шаг для vocoder (этапы align и speech ещё не запускались).
Речевая часть обучена на одном дикторе из датасета LJSpeech-1.1 (24 часа, CMUdict).
Ограничения: визуальный корпус пока состоит из синтетических геометрических фигур, липсинк использует аналитический 2D-рендерер вместо фотореалистичной генерации, RLHF и модерация отсутствуют.
Обсудить Telegram 1

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # hkblockchaintechnology/VLM-all-inclusive
    # ===== 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 hkblockchaintechnology/VLM-all-inclusive --local-dir ~/models/VLM-all-inclusive
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к VLM-all-inclusive
  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 VLM-all-inclusive — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

hkblockchaintechnology/VLM-all-inclusive
Автор
hkblockchaintechnology
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии