Zero-shot Monocular Scene Flow (ZeroMSF)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- NVIDIA,Brown University
- Type d'organisation
- Industry,Academia
- Pays
- United States of America
- Publié
- 20 January 2025
- Auteurs
- Yiqing Liang, Abhishek Badki, Hang Su, James Tompkin, Orazio Gallo
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- 3D modeling, Driving
- Tâche
- 3D reconstruction, Self-driving car
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- tokens
- Époques
- 50
"1M annotated training samples across diverse synthetic scenes"
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 3.2 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
312000000000000 FLOP / GPU / sec * 8 GPUs * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 3.234816e+19 FLOP
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA A100
- Chips utilisés
- 8
- Temps en temps réel
- 12 hours
- Consommation d'énergie
- 6.3 kW
"All experiments are trained with 8 NVIDIA A100 GPUs for 50 epochs, which take 12 hours."
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
"Code coming!" [July 2025 - still no release]
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Zero-Shot Monocular Scene Flow Estimation in the Wild
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
Zero-shot Monocular Scene Flow (ZeroMSF) a été publié par NVIDIA,Brown University, dans le pays enregistré comme United States of America, durant January 2025. Cela provient d'une organisation classée comme industry,Academia.
Il fonctionne dans le domaine de 3D modeling, Driving, et est enregistré comme exécutant la tâche de 3D reconstruction, Self-driving car.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 3.2 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Zero-shot Monocular Scene Flow (ZeroMSF) — questions courantes
Zero-shot Monocular Scene Flow (ZeroMSF)— quand a-t-il été publié ?
Il a été publié dans January 2025.
Zero-shot Monocular Scene Flow (ZeroMSF)— à quoi ça sert ?
Il fonctionne dans le domaine de 3D modeling, Driving, et est enregistré comme gérant la tâche de 3D reconstruction, Self-driving car. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Zero-shot Monocular Scene Flow (ZeroMSF)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.2 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A100. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Zero-shot Monocular Scene Flow (ZeroMSF)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Zero-shot Monocular Scene Flow (ZeroMSF)— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Zero-shot Monocular Scene Flow (ZeroMSF)— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Zero-shot Monocular Scene Flow (ZeroMSF)— qui l'a créé ?
Il a été publié par NVIDIA,Brown University, basé sur United States of America, une organisation catégorisée comme industry,Academia.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.