К содержимому
Компьютерное зрение

Shot Reader 8B

анализ видеошотов в готовую 3D-сцену для Blender

2 мин чтенияобновлено

Модель Shot Reader 8B создана компанией Voyager на базе Qwen3-VL-8B-Instruct (мультимодальной языковой модели размером 8.77 миллиардов параметров) и предназначена для реверс-инжиниринга видеошотов. Она анализирует непрерывный фрагмент видео и выдает детальный JSON-отчет: высоту камеры, угол наклона, фокусное расстояние, движение, а также расположение, размеры и траектории объектов и элементов окружения. Полученные данные позволяют напрямую воссоздать сцену в Blender или передать ее кодинг-агенту. Новинка обходит крупные закрытые модели в точности определения параметров камеры на тестовых бенчмарках и работает локально на потребительских видеокартах.

Ключевые особенности

  • Назначение: считывание параметров камеры, расположения и движения объектов из видеоряда.
  • Точность камеры: превосходит ряд крупных моделей в определении высоты и траектории движения камеры.
  • Эффективность: оптимизирована для запуска локально или через vLLM на одном ускорителе.
  • Формат вывода: структурированный JSON-документ со спецификацией шота, таймингами и координатами в метрах.

Что можно сделать

  • Превизуализация: быстро получать редактируемые 3D-блокауты из референсных видеоклипов для настройки света и ракурсов.
  • Управляемое AI-видео: использовать параметры камеры и траектории как точные управляющие входы для генеративных пайплайнов.
  • Анализ библиотек: массово тегировать видеоархивы по типам движения камеры, ракурсам и мизансцене.
  • Генерация сцен: передавать готовый JSON-описатель сценографическим агентам для автоматической сборки окружения.

Пример

Запуск скрипта обработки видеошота с указанием целевых объектов для отслеживания:

python shot_reader.py clip.mp4 \
  --subject "P01: person (woman in a black polo)" \
  --subject "O01: dog"
ПодробнееМетрики (на 300 тестовых шотах): точность высоты и движений камеры составляет 69% (против 44–46% у конкурентов). Время обработки одного шота — 5.9 сек на H100 (или 0.76 сек в пакетном режиме vLLM).
Железо: протестировано на RTX 5080 (16 ГБ VRAM) с использованием 4-битной квантизации (около 25 секунд на шот с учетом загрузки модели).
Ограничения: события и траектории движения на реальных видео даются модели сложнее; обрабатывается строго один непрерывный шот за раз.
Обучение: дообучена (LoRA r64 на внимании и MLP-слоях) на синтетических данных из процедурных 3D-сцен и размеченных архивных кадрах.
Видео-пример
Обсудить Telegram 61 417

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 16 GB · готовые файлы18 GB
  • FP8 / INT8рекомендуемвеса 8.2 GB9.5 GB
  • 4-bitвеса 4.6 GB5.6 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 3080 · BF16 — от RTX 4090

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.

    # voyager-so/shot-reader-8b
    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 voyager-so/shot-reader-8b --local-dir ~/models/shot-reader-8b
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к shot-reader-8b
  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

Дообучение модели

Qwen/Qwen3-VL-8B-Instruct

Новые посты про версии Qwen3-VL-8B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

voyager-so/shot-reader-8b
Автор
voyager-so
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

41761

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии