К содержимому
Компьютерное зрение

Cog

видео-модель, которая отвечает на пространственные вопросы

2 мин чтения

Cog — это файнтюн Qwen3-VL-8B-Instruct на 8,77 млрд параметров, который смотрит видео и отвечает на вопросы о пространстве: сколько объектов, какого они размера, насколько далеко и в каком направлении. Модель не просто выдаёт число — она строит карту, релевантную вопросу, и пространственные доказательства с расчётами, а затем формулирует ответ. От базовой Qwen3-VL её отличает специализация на видео-пространственном reasoning: обучение включало SFT и RL-этап DAPO. Пригодится исследователям и разработчикам видео-ассистентов, робототехники и аналитики помещений.

Ключевые особенности

  • На вход принимает 32 кадра видео и пространственный вопрос, на выходе даёт число или вариант ответа.
  • Для обычных вопросов формирует карту сцены и evidence — пространственные факты и вычисления.
  • Покрывает семь семейств задач: подсчёт объектов, оценку размера, абсолютные и относительные расстояния, направление, размер комнаты и планирование маршрута.
  • Полный чекпоинт в FP32 safetensors вместе с токенизатором, процессором и chat-шаблонами; лицензия Apache 2.0.

Что можно сделать

  • Загрузить 32 кадра комнаты и спросить, сколько в ней стульев и как они расположены.
  • Проверить, как модель планирует маршрут внутри помещения по видео.
  • Собрать исследовательский пайплайн для spatial QA и сравнить ответы модели с эталоном.
  • Использовать как основу для видео-ассистента, которому нужно оценивать расстояния и направления.

Пример

import torch
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration
model_id = "QiWang98/Cog"
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3VLForConditionalGeneration.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto", attn_implementation="sdpa")
model.eval()
ПодробнееОфициальное среднее по семи семействам задач — 54.00% на 6 158 вопросах ReVSI32; route planning — 50.78%, object size estimation — 62.14%.
Веса в FP32 занимают около 35.1 GB до кэшей и активаций; пример для инференса переводит их в BF16.
Это single-seed исследование: карты и evidence — предсказания модели и могут быть неточными; другой backend, промпт или число кадров дадут другие результаты.
Обсудить Telegram 0

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.

    # QiWang98/Cog
    # ===== 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 QiWang98/Cog --local-dir ~/models/Cog
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Cog
  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 Cog — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

QiWang98/Cog
Автор
QiWang98
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

X-MDD

X-MDD
Другое

v-jev 1.4

v-jev 1.4
Компьютерное зрение

Qwen3.8-27B Merge

Qwen3.8-27B Merge