К содержимому
Компьютерное зрение

Qwen3-VL-2B-RSM2FTok-cd

маски для Земли из спутниковых снимков

2 мин чтенияобновлено

Это исследовательский чекпоинт, который связывает VLM Qwen3-VL-2B с токенизатором масок RSM2FTok. На вход он получает снимок дистанционного зондирования и текстовую инструкцию, а на выходе выдаёт текст со специальными mask-токенами. Декодер RSM2FTok превращает эти токены в попиксельную маску. Основные задачи — change detection и картирование оползней. Это не готовый генератор PNG: для работы нужны совместимый токенизатор и процедура декодирования.

Ключевые особенности

  • Совмещает backbone Qwen3-VL-2B с токенизатором RSM2FTok для задач по Earth observation.
  • Маска кодируется как текст: сетка 4×4, по два code-токена на регион, всего 32 токена на маску.
  • Это SFT-вариант для обычного supervised-инференса; RL-варианты в линейке предназначены для своих распределений задач.
  • Заявленные задачи: remote-sensing change detection и landslide mapping.
  • Без RSM2FTok-декодера одна языковая модель не выдаст готовую маску.

Что можно сделать

  • Прогонять спутниковые снимки через пайплайн RSM2FTok для поиска изменений и картирования оползней.
  • Встроить чекпоинт в исследовательский pipeline pixel-wise Earth observation вместе с родным токенизатором и декодером.
  • Проверять качество масок на своих данных, но только с тем же чекпоинтом, токенизатором, сплитом и промптами.
  • Использовать как базу для экспериментов с supervised-инференсом в remote-sensing VLM.

Пример

Сценарий: на вход подаётся снимок и текстовая инструкция; модель возвращает последовательность вида <|mt_start|><|mt_0238|>…<|mt_end|>. Декодер RSM2FTok собирает из пар code-токенов попиксельную маску.

ПодробнееМаска — сетка 4×4, по два code-токена на регион, всего 32 токена; две кодовые книги по 256 записей.
Диапазон токенов 0000–0511; у второго токена пары вычитают 256 перед декодированием.
Качество зависит и от предсказания токенов, и от реконструкции RSM2FTok; мелкие, тонкие и перекрытые области могут страдать.
Бенчмарков и требований к VRAM в карточке нет; Quick start обещан позже.
Обсудить Telegram 0 32

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.0 GB · готовые файлы4.9 GB
  • FP8 / INT8рекомендуемвеса 2.0 GB2.7 GB
  • 4-bitвеса 1.1 GB1.7 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 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.

    # koreyoshieo/Qwen3-VL-2B-RSM2FTok-cd
    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 koreyoshieo/Qwen3-VL-2B-RSM2FTok-cd --local-dir ~/models/Qwen3-VL-2B-RSM2FTok-cd
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-VL-2B-RSM2FTok-cd
  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 Qwen3-VL-2B-RSM2FTok-cd — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

koreyoshieo/Qwen3-VL-2B-RSM2FTok-cd
Автор
koreyoshieo
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

320

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Qwen3.8-27B-RFT-v1

Qwen3.8-27B-RFT-v1