К содержимому
Другое

HBAR

fMRI как дискретные токены на трёх масштабах

2 мин чтенияобновлено

HBAR — это pretrained tokenizer для resting-state fMRI: он превращает воксельные BOLD-сигналы в дискретные токены на трёх масштабах и умеет восстанавливать сигнал обратно. Внутри — иерархия из 16-воксельных чанков, parcels (участков) DiFuMo-1024 и функциональных сетей Yeo-17 (плюс группа для parcel без назначения); каждый уровень квантуется через BSQ (бинарное сферическое квантование), а декодер идёт остаточно от сети к parcel и вокселю. Авторы выпустили два варианта: hbar52_fixed со сжатием 52× (5,65 млн параметров) и hbar415_fixed с 415× (7,31 млн). Модели обучены на resting-state HCP Young Adult (877 субъектов), оценка — на 109 отложенных; на входе окна по 32 TR. Пригодится исследователям, которым нужны компактные fMRI-токены для downstream-задач и линейных проб.

Ключевые особенности

  • Три масштаба: воксельные чанки по 16 вокселей, parcels DiFuMo-1024 и сети Yeo-17.
  • BSQ-квантование на каждом уровне; декодер собирает сигнал остаточно от сети к parcel и вокселю.
  • Два чекпоинта: 52× сжатие (5,65M параметров) и 415× (7,31M), по три seed-веса.
  • Обучение на HCP Young Adult: 877 train и 109 test субъектов, вход — окна 32 TR.
  • Общий layout на 190 468 серых вокселей MNI152 2 мм; данные субъектов не входят.

Что можно сделать

  • Экспортировать дискретные fMRI-токены и использовать их в downstream-моделях или линейных пробах.
  • Сравнить hbar52_fixed и hbar415_fixed по качеству реконструкции на своих resting-state данных.
  • Встроить токенизатор в пайплайн после fMRIPrep, переиспользуя готовый layout из релиза.
  • Запустить готовый autoregressive readout из репозитория для своих экспериментов.

Пример

git clone https://github.com/su-karanps/HBAR && cd HBAR
pip install -r requirements.txt
hf download karanps/HBAR --local-dir checkpoints
python3 scripts/eval/recon_metrics_per_subject.py --data_config configs/fmri/data.yaml --split test --model hbar52_fixed:checkpoints/hbar52_fixed/config.yaml:checkpoints/hbar52_fixed/seed0.pth --windows_per_subject 16 --seed 0
ПодробнееСжатие: 52× и 415×; параметры: 5,65M и 7,31M.
Обучение: HCP Young Adult, 877 субъектов; тест: 109 субъектов; вход — 32 TR.
Нужен точный layout из релиза; HCP-данные скачиваются отдельно по условиям проекта.
Чекпоинты содержат только веса; лицензия MIT.
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.

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

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

О модели

karanps/HBAR
Автор
karanps
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