VLM + Segmentation + Diffusion Engineering
Скилл охватывает три тесно связанных домена. Выбери нужный раздел и загрузи соответствующий reference-файл.
Навигация по доменам
| Задача | Reference файл |
|---|---|
| Выбор модели сегментации, pipeline "текст → маски", VLM-стек, part-labeling | references/vlm-segmentation.md |
| Диффузионные архитектуры, schedulers, обучение, LoRA, text encoder fusion | references/diffusion-engineering.md |
| Два инстанса SAM3 на H100, MIG/MPS, memory, профилирование | references/gpu-deployment.md |
Правило выбора: если вопрос смешивает темы (например, "как деплоить диффузионную модель на H100") — прочитай оба релевантных файла.
Быстрые ответы без чтения reference-файлов
Candidate pipeline "фраза → маски"
1. SAM3 PCS (текстовый концепт) → instance masks + boxes + scores ИЛИ Grounding DINO / OWLv2 / YOLO-World → boxes → SAM2.1 → masks 2. Part-labeling: отдельный классификатор по ROI + фиксированный словарь
Candidate diffusion pipeline
1. Backbone: UNet (просто) или DiT/Flow (масштабирование) 2. Latent diffusion (VAE → латенты → денойзер → VAE decode) 3. Text encoder: CLIP (SD), два CLIP (SDXL), Qwen3 (Flux.2 klein 9B) 4. Fine-tune: начинать с LoRA, full fine-tune только если нужно 5. Memory: AMP (BF16) → checkpointing → ZeRO/FSDP при масштабе
Two SAM3 instances on H100 (only after host inspection)
MIG can provide hardware partitioning where the inspected GPU, driver, current MIG layout and workload support it. It changes host GPU configuration: preserve the current layout and obtain explicit operational approval before any change. MPS (fallback) → кооперативный шеринг, без строгой изоляции
Ключевые характеристики моделей (быстрая справка)
| Модель | Параметры | Лицензия | Главная сильная сторона |
|---|---|---|---|
| SAM3 | 848M | SAM License (gated) | Open-vocab сегментация по тексту, все инстансы |
| SAM2.1-large | model-card specific | Apache-2.0 | Видео-трекинг, интерактивная сегментация; reproduce any FPS on the target stack |
| SAM2.1-tiny | model-card specific | Apache-2.0 | Lightweight variant; reproduce any FPS on the target stack |
| Florence-2-large | 770M | MIT | Унифицированные задачи через task prompt |
| EdgeTAM | ~SAM2-tiny | Apache-2.0 | 16 FPS на iPhone 15 Pro Max, CoreML |
| Grounding DINO | — | Apache-2.0 | Text-conditioned detection, boxes |
| YOLO-World | — | GPL-3.0 | Real-time open-vocab OD, 52 FPS V100 |
Критические предупреждения
- SAM3: gated access на HF, кастомная SAM License — проверь перед продакшном
- YOLO-World: upstream states GPL-3.0 and supports commercial usage. GPL obligations apply by default; obtain a separate commercial licence only when the intended distribution or policy requires terms outside GPL, with legal review for the specific product.
- Замена text encoder: не plug-and-play, нужен projection + переобучение cross-attention
- MIG vs MPS: только MIG даёт аппаратную изоляцию VRAM/SM; MPS — кооперативный шеринг
- For non-English prompts, compare the target model’s supported languages on a representative evaluation set; do not silently translate or claim a universal English advantage.


