Stable Video 3D (SV3D)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Stability AI
- Tipo de Organización
- Industry
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 18 March 2024
- Autores
- Vikram Voleti, Chun-Han Yao, Mark Boss, Adam Letts, David Pankratz, Dmitry Tochilkin, Christian Laforte, Robin Rombach, Varun Jampani
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, 3D modeling
- Tarea
- 3D reconstruction
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
"All three models (SV3Du, SV3Dc, SV3Dp) are trained for 105k iterations in total (SV3Dp is trained unconditionally for 55k iterations and conditionally for 50k iterations), with an effective batch size of 64 on 4 nodes of 8 80GB A100 GPUs for around 6 days."
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 5.2 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
4 nodes * 8 GPUs * 144 hours * 3600 sec / hour * 312000000000000 FLOP / GPU / hour * 0.3 [assumed utilization] / 3 models = 5.1757056e+20 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100 SXM4 80 GB
- Chips utilizados
- 32
- Tiempo de reloj
- 144 hours
- Consumo de energía
- 25.3 kW
"on 4 nodes of 8 80GB A100 GPUs for around 6 days." 6*24 = 144 hours
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (non-commercial)
- Código de entrenamiento
- Unreleased
- Hugging Face
- stabilityai
License: Stability AI Community License. NC https://huggingface.co/stabilityai/sv3d
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- SV3D: Novel Multi-view Synthesis and 3D Generation from a Single Image using Latent Video Diffusion
- Última actualización
- 11 February 2026
Qué significan los números
De dónde vino
Stable Video 3D (SV3D) fue publicado por Stability AI, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante March 2024. Sale de una organización categorizada como industry.
Funciona en el dominio de Vision, 3D modeling, y se registra como realizando la tarea de 3D reconstruction.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización stabilityai.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 5.2 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Stable Video 3D (SV3D) — preguntas comunes
Stable Video 3D (SV3D)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.2 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Stable Video 3D (SV3D)— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
Stable Video 3D (SV3D)— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
Stable Video 3D (SV3D)— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Stable Video 3D (SV3D)— ¿Quién lo creó?
Fue publicado por Stability AI, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry.
Stable Video 3D (SV3D)— ¿cuándo fue lanzado?
Se publicó en March 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Stable Video 3D (SV3D)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, 3D modeling, y se registra como manejando la tarea de 3D reconstruction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Stable Video 3D (SV3D)— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización stabilityai. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.