К содержимому
Робототехника

SyncWorld mv3 strip384

world model для роботов с трёх камер

2 мин чтенияобновлено

Это финальный чекпоинт SyncWorld для робототехники: по одному опорному кадру, 16 будущим действиям end-effector и нескольким наблюдённым видео-чанкам модель генерирует следующие 16 кадров манипуляции. Каждый кадр — strip 1536×384 из трёх ячеек 512×384: две камеры третьего лица и камера запястья. Чекпоинт продолжает mvSV2 с update 20000 и отличается методом retrieval: контекст выбирается по позам камер, внешнему виду и обученному эмбеддингу расстояния до якоря. Пригодится исследователям роботов, которым нужен генеративный world model для сцен манипуляций.

Ключевые особенности

  • Три камеры в одном strip: 1536×384, две third-person и wrist; есть view dropout и случайный вертикальный кроп.
  • In-context retrieval: K=1..8 чанков в том же attention-окне, с обученным эмбеддингом расстояния до якоря.
  • Действия — реализованные позы end-effector, не команды: [dx, dy, dz, roll, pitch, yaw, gripper].
  • Обучение на PEWM s7 mix: 481 574 записи с тремя камерами, 20 000 апдейтов, 32 стрима на апдейт.

Что можно сделать

  • Генерировать 16 будущих кадров по якорю и действиям — для анализа манипуляций.
  • Подставлять свои K чанков из записи или библиотеки и смотреть, как retrieval меняет rollout.
  • Сравнивать с baseline recent8/mvA3p, который отличается только retrieval.
  • Использовать как основу для экспериментов с world model на robocasa, robomimic, RLBench и DROID.

Пример

Вход: один anchor frame, 16 строк поз end-effector и K=4 видео/action-чанка. Выход: следующие 16 кадров в формате strip 1536×384. K выбирается uniform 1..8, а чанки ранжируются по расстоянию до якоря.

ПодробнееLoss на update 20000 — 0.0650 (motion-weighted video flow matching).
Обучение: 4 узла × 8 B200, 32 стрима на апдейт, 20 000 апдейтов.
Библиотека retrieval — 50 066 368 чанков из 963 148 записей камер.
Ограничения: full-attention in-context без TTT-памяти; требования к VRAM в карточке не указаны.
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-views-first-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-views-first-s7pose-from20k-step20000 --local-dir ~/models/SyncWorld-mv3-strip384-views-first-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-views-first-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-views-first-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