К содержимому
Робототехника

SyncWorld-mv3-strip384-recent8-s7pose

предсказание видео с трёх камер для роботов

2 мин чтенияобновлено

Финальный чекпоинт (шаг 20 000) модели мира из проекта SyncWorld-dev, обученной для задач робототехники. Модель получает стартовый кадр, историю недавних переходов из той же записи (до 8 чанков по 16 шагов) и последовательность из 16 будущих действий манипулятора, а на выходе генерирует следующие 16 видеокадров сразу для трёх ракурсов. В отличие от соседней ветки с извлечением похожих эпизодов из базы (retrieval), эта версия использует только контекст текущей записи с полным механизмом внимания (full-attention in-context). Пригодится исследователям в области робототехники и обучения с подкреплением для симуляции среды и планирования движений манипулятора.

Ключевые особенности

  • Трёхкамерный формат strip384: каждый кадр представляет собой склейку 1536×384 из трёх изображений 512×384 — двух камер от третьего лица и одной камеры на запястье робота.
  • Управление через реальные позы: действия задаются как относительные смещения и повороты схвата (dx, dy, dz в сантиметрах, углы Эйлера roll/pitch/yaw в градусах и состояние гриппера) между соседними кадрами, а не абстрактные команды.
  • Архитектура без внешней памяти: модель опирается на 1–8 предшествующих 16-шаговых отрезков текущей записи без TTT-памяти (Test-Time Training) и поиска по внешним библиотекам.
  • Обучение на крупном миксе датасетов: тренировка прошла на выборке PEWM s7 из 359 577 трёхкамерных записей, включая RoboCasa, Robomimic, RLBench и DROID.

Что можно сделать

  • Визуальная симуляция траекторий: проверять, как изменится сцена с трёх ракурсов при выполнении заданной последовательности движений схвата робота.
  • Сравнение подходов к контексту: использовать чекпоинт как базовую линию (baseline) для оценки моделей с извлечением эпизодов из памяти (например, ветки mvSV3p) или моделей на базе текстовых/высокоуровневых команд.

Пример

На вход подаётся контекст из K (от 1 до 8) предшествующих 16-шаговых фрагментов текущей записи, опорный кадр размером 1536×384 и матрица из 16 будущих действий вида [dx, dy, dz, roll, pitch, yaw, gripper_open]. На выходе модель с помощью video flow-matching (потокового согласования для генерации видео) предсказывает следующие 16 кадров синхронно для обеих обзорных камер и камеры на запястье.

ПодробнееОбучение: 20 000 обновлений на 32 GPU H100 (4 узла по 8 карт), точность вычислений bf16, оптимизатор AdamW (lr 5e-5).
Метрика train@2/loss (motion-weighted video flow-matching loss): снизилась с 0.0719 на шаге 1000 до 0.0656 на финальном шаге 20 000.
Ограничения: при обучении применялось случайное отключение камер (10% для одной камеры и 5% для двух), а веса чекпоинта в папке model/ сохранены в формате DCP в bf16.
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.

    # yyuncong/SyncWorld-mv3-strip384-recent8-s7pose-from20k-step20000
    # ===== 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 yyuncong/SyncWorld-mv3-strip384-recent8-s7pose-from20k-step20000 --local-dir ~/models/SyncWorld-mv3-strip384-recent8-s7pose-from20k-step20000
    # 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

Новые посты про версии SyncWorld-mv3-strip384-recent8-s7pose-from20k-step20000 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

yyuncong/SyncWorld-mv3-strip384-recent8-s7pose-from20k-step20000
Автор
yyuncong
Категория
Робототехника
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Робототехника

SyncWorld

SyncWorld