SVG-Motion-Qwen3.5-0.8B-LoRA
адаптер для анимации SVG
2 мин чтенияобновлено
Этот небольшой PEFT-адаптер (небольшая надстройка над базовой моделью для точной настройки) добавляет нативный код анимации в существующие SVG-рисунки на основе текстовых инструкций. Модель на базе Qwen/Qwen3.5-0.8B принимает на вход исходный код векторного изображения и текстовую задачу, а на выходе возвращает готовый анимированный SVG с тегами animate или animateTransform. Решение работает на уровне текста без генерации пикселей или видео, сохраняя исходные элементы и структуру оригинального файла. Модель пригодится разработчикам и дизайнерам, которым нужно автоматизировать добавление простых движений в векторную графику.
Ключевые особенности
- Текст-в-код: генерирует валидные теги анимации прямо внутри структуры SVG-файла.
- Широкий охват движений: поддерживает перенос, вращение, масштабирование и изменение прозрачности.
- Сохранение структуры: исходные теги, идентификаторы и атрибуты рисунка остаются неизменными.
- Точечное обучение: задействует ранг LoRA 16 и обучает около 10,8 млн параметров.
Что можно сделать
- Автоматизировать добавление анимации переворотов, масштабирования или вращения в векторные иконки и иллюстрации.
- Интегрировать адаптер в конвейер обработки графики для пакетной генерации анимированных SVG-элементов интерфейса.
- Тестировать генерацию анимации для веб-проектов и динамических иконок через скрипты Python.
Пример
import json
import torch
from huggingface_hub import hf_hub_download
from peft import PeftModel
from transformers import AutoTokenizer, Qwen3_5ForConditionalGeneration
adapter_id = "lxyuan/SVG-Motion-Qwen3.5-0.8B-LoRA"
base = Qwen3_5ForConditionalGeneration.from_pretrained(
"Qwen/Qwen3.5-0.8B", revision="2fc06364715b967f1860aea9cf38778875588b17",
dtype=torch.float32, attn_implementation="sdpa",
).to("cuda")
model = PeftModel.from_pretrained(base, adapter_id).eval()
tokenizer = AutoTokenizer.from_pretrained(adapter_id)Подробнее
Бенчмарки: 100/100 успешно пройденных синтетических тестов против 0/100 у базовой модели.Требования к железу: обучение проводилось на GPU Tesla T4 с пиковым потреблением VRAM 5.00 GiB.
Детали обучения: 100 шагов оптимизации, размер батча 1 с накоплением 4, скорость обучения 1e-4, AdamW.
Ограничения: синтетические задачи с фиксированной формулировкой правил, сгенерированный код требует валидации в песочнице.










Комментарии