К содержимому
Видео

TriCosmos-2.5-predict

мультисенсорный прогноз дороги в плохую погоду

3 мин чтенияобновлено

Модель мира (world model) от SORA-Lab, которая предсказывает следующие 2 секунды движения автомобиля сразу по трём сенсорам: обычной RGB-камере, тепловизору и карте глубины LiDAR (лазерного радара). На вход подаются 5 наблюдаемых кадров с частотой 10 Гц, а на выходе генерируются 20 кадров будущего в условиях тумана, дождя, снега или ночи. В основе лежит база NVIDIA Cosmos-Predict2.5-2B, дообученная через LoRA (адаптеры малого ранга) на датасете DSERT-RoLL. Главная особенность подхода — все три потока объединяются в один видеокадр в виде сетки 2×2. Пригодится исследователям и разработчикам беспилотного транспорта для симуляции и планирования в сложной погоде.

Ключевые особенности

  • Единая сетка 2×2: кадр 1280×704 делится на четыре тайла по 640×352 — RGB сверху слева, тепловизор сверху справа, глубина LiDAR снизу слева и пустой чёрный квадрат снизу справа.
  • Выигрыш по точности LiDAR: совместное обучение трёх модальностей снижает среднюю абсолютную ошибку (MAE) прогноза глубины до 4.68 м — это на 2.1 м лучше, чем у аналогичной LoRA-модели только для LiDAR (6.81 м).
  • Работа в сложных погодных условиях: обучение проходило на 35 последовательностях из DSERT-RoLL, включая густой туман (23 клипа), сильный снегопад, дождь и ночные сцены.
  • Готовый чекпоинт со слитыми весами: в репозитории лежит файл tricosmos_ema_bf16.pt (3.9 ГБ, формат bf16) и конфиги experiment.json, необходимые для сборки модели с параметрами LoRA.

Что можно сделать

  • Симуляция дорожных сцен в непогоду: использовать в пайплайнах cosmos-predict2.5 для генерации 2-секундных мультисенсорных сценариев в тумане, снегопаде и ночью.
  • Оценка мультимодальных world-моделей: сравнивать совместное предсказание RGB, тепловизора и глубины с односенсорными базовыми решениями на валидационной выборке DSERT-RoLL.
  • Дообучение под свои данные: взять опубликованный рецепт train_tri_lora.yaml и схему упаковки тайлов 2×2 для адаптации Cosmos-Predict2.5-2B под собственные записи с автосенсоров.

Пример

import torch
sd = torch.load("tricosmos_ema_bf16.pt", map_location="cpu", weights_only=False)
sd = sd.get("model", sd) if isinstance(sd, dict) else sd
lora = [k for k in sd if "lora" in k.lower()]
print(len(sd), "tensors,", len(lora), "LoRA tensors")
ПодробнееМетрики (валидация DSERT-RoLL, горизонт 2 с): RGB PSNR — 21.71, Thermal PSNR — 24.61, LiDAR MAE — 4.68 м (против 5.71 м при простом повторе последнего кадра и 6.81 м у LiDAR-only LoRA).
Обучение: LoRA rank 16, alpha 32 на слоях внимания и MLP; 500 шагов в bf16 на клипах по 93 кадра; генерация оценивалась при 35 шагах сэмплирования и guidance 7.
Ограничения: каждый сенсор обрабатывается в половинном разрешении тайла (640×352), на ближней дистанции менее 10 м простой повтор последнего кадра LiDAR всё ещё точнее, а полный код инференса авторы обещают выложить после рецензирования статьи.
Лицензия: NVIDIA Open Model License (на основе Cosmos-Predict2.5-2B).
Обсудить Telegram 3 47

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы21 GB
  • FP8 / INT8рекомендуемвеса 9.6 GB14 GB
  • 4-bitвеса 7.1 GB11 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 5080 · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью Cosmos-Predict2.5-2B.

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.

    # SORA-Lab/TriCosmos-2.5-predict
    # ===== 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 nvidia/Cosmos-Predict2.5-2B --local-dir ~/models/Cosmos-Predict2.5-2B
    hf download SORA-Lab/TriCosmos-2.5-predict --local-dir ~/models/TriCosmos-2.5-predict
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Cosmos-Predict2.5-2B
  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.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • 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 (3)
    • 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.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • LightX2V step distill0.6.1от 9 ноября 2026новая версия

    5–10× меньше шагов

    Дистиллированные LoRA и движок: видео за 4–8 шагов вместо 30–50.

    Как включить: Подключите их step-distill LoRA к модели, CFG 1.0, 4–8 шагов.

  • 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

Нужна базовая модель

nvidia/Cosmos-Predict2.5-2B

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии Cosmos-Predict2.5-2B — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 12Все на Hugging Face

О модели

SORA-Lab/TriCosmos-2.5-predict
Автор
SORA-Lab
Категория
Видео
Дата выхода
На сайте

На сайте

Hugging Face

473

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Видео

ReentryMem

ReentryMem