К содержимому
Компьютерное зрение

Qwen3-VL-8B InteriorGS

навигация камеры в 3D-сценах с помощью VLM

2 мин чтенияобновлено

Файнтюн мультимодальной модели Qwen3-VL-8B-Instruct (8.77B параметров) от автора yinbq, обученный для активной пространственной навигации внутри помещений датасета InteriorGS. Модель получает текущее изображение с камеры, её координаты и пространственное задание, а на выходе выдаёт последовательность команд движения, чтобы занять нужный ракурс. В отличие от базовой модели, этот вариант дообучен с подкреплением — RL (обучение через вознаграждение за правильные шаги) по алгоритму PPO — и ориентируется в дистанции до объектов, перекрытиях и композиции кадра. Пригодится исследователям embodied AI (воплощённого ИИ), 3D-навигации и автоматического выбора ракурсов в виртуальных интерьерах.

Ключевые особенности

  • Понимает сложные пространственные задачи: дистанция до объекта, попадание предметов в кадр, перекрытия (occlusion), проективные отношения, доля занимаемого экрана и равноудалённость.
  • Работает в многошаговом диалоговом режиме (до 12 ходов), получая на каждом шаге новый вид с камеры и её позу с сохранением полной истории.
  • Выдаёт дискретные команды управления внутри тега (поддерживается несколько действий за ход): move_forward, move_backward, move_left, move_right, turn_left, turn_right.
  • Веса сконвертированы из fp32 в формат bf16 без изменения токенизатора, процессора и шаблона чата Qwen3-VL.

Что можно сделать

  • Подключить модель к симулятору помещений InteriorGS для автоматического поиска ракурсов с заданной композицией объектов.
  • Использовать как базового агента навигации в 3D-интерьерах, где требуется пошагово перемещать камеру по визуальной обратной связи.
  • Сравнить качество пространственного планирования после SFT и PPO относительно исходной Qwen3-VL-8B-Instruct.

Пример

import torch
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

repo = "yinbq/qwen3vl8b-interiorgs-reward-rw_s2tcsw3_100-bf16"
processor = AutoProcessor.from_pretrained(repo)
model = Qwen3VLForConditionalGeneration.from_pretrained(repo, dtype=torch.bfloat16, device_map="auto")
ПодробнееОбучение: SFT на траекториях от Qwen3-VL-8B-Instruct, затем RL (PPO с пошаговой оценкой, seed 20261021, чекпоинт шага 100).
Метрики (InteriorGS v10, greedy, success rate): validation (413 задач) — 53.75%, test (292 задачи) — 47.60%, всего (705 задач) — 51.21%.
Инференс: шаблон чата без режима рассуждений (no_think), temperature=0, top_p=1; нечитаемый ответ засчитывается как проваленный шаг.
Совместимость: требуется версия transformers с поддержкой Qwen3-VL (проверено на 4.57).
Обсудить Telegram 0 15

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.

    # yinbq/qwen3vl8b-interiorgs-reward-rw_s2tcsw3_100-bf16
    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 yinbq/qwen3vl8b-interiorgs-reward-rw_s2tcsw3_100-bf16 --local-dir ~/models/qwen3vl8b-interiorgs-reward-rw_s2tcsw3_100-bf16
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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

yinbq/qwen3vl8b-interiorgs-reward-rw_s2tcsw3_100-bf16
Автор
yinbq
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

150

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии