К содержимому
Робототехника

LiberalMind Video VAE

вариационный автоэнкодер для работы с видео

2 мин чтенияобновлено

Модель от исследовательской инициативы LiberalMind решает задачу сжатия и реконструкции видеопоследовательностей, выступая базовым компонентом для систем робототехники и моделей восприятия мира (World Models). Архитектура обучается на клипах разрешения 256×256 пикселей длиной 17 кадров с использованием комбинации покадровой реконструкции, перцептивного сходства LPIPS и латентной регуляризации. Чекпоинт ориентирован на исследователей в области эмбодированного ИИ (Embodied AI) и временного анализа визуальных данных. Для работы с моделью помимо весов требуется отдельно подключить файл с описанием архитектуры vae.py.

Ключевые особенности

  • Видеопредставление: Кодирование и реконструкция коротких видеопоследовательностей с помощью вариационного автоэнкодера (VAE).
  • TPU-обучение: Конфигурация оптимизирована под работу на Google Cloud TPU через стек PyTorch/XLA и SPMD параллелизм.
  • Перцептивная потеря: Использование метрики LPIPS (VGG) для оценки визуального сходства.
  • Формат данных: Обработка входных тензоров размерности [B, 3, 17, 256, 256] в точной сетке BF16.

Что можно сделать

  • Исследования в робототехнике: Использовать модель как основу для извлечения визуальных признаков в задачах восприятия для автономных агентов.
  • Анализ видеопоследовательностей: Применять для задач временного визуального понимания и создания компактных латентных представлений.
  • Запуск обучения на TPU: Развернуть конвейер дообучения на собственных датасетах с помощью предоставленных инструкций и скриптов.

Пример

Пример кода для загрузки скачанного чекпоинта и инициализации модели:

import torch
from vae import VAE

checkpoint = torch.load(
    "last.pt",
    map_location="cpu",
    weights_only=False,
)

model = VAE()
model.load_state_dict(checkpoint["model"])
model.eval()

print("Model loaded successfully")
print("Training step:", checkpoint["step"])
ПодробнееРазрешение входа: 256×256 пикселей
Длина последовательности: 17 кадров
Оптимизатор: AdamW (learning rate 1e-4)
Фреймворк: PyTorch / PyTorch/XLA
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 5.5 GB · готовые файлы6.5 GB
  • FP8 / INT8рекомендуемвеса 2.7 GB3.5 GB
  • 4-bitвеса 1.5 GB2.2 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 5060 Ti 8GB

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.

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

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

О модели

LiberalMind/vae-model
Автор
LiberalMind
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Mundus 0.1

Mundus 0.1