Primäre Verwendung angegeben oder vorsichtig aus offizieller Dokumentation abgeleitet.
N
NVIDIA / nvidia/cdf-sim2real-smt-solderlight
CDF Sim2Real SMT Solderlight
NVIDIA-Bildbearbeitungsmodell, Version 1.0.0 veröffentlicht am 20. Oktober 2026. Es überführt synthetische, in Omniverse gerenderte Ausschnitte von Leiterplattenbauteilen in einen Beleuchtungsstil für optische Inspektion. Es basiert auf Qwen-Image-Edit mit fusioniertem LoRA-Finetuning: Das Paket enthält die vollständige Pipeline, keinen separaten Adapter. Nutzer liefern das Bild; die englische Anweisung ist fest vorgegeben, kein freier Prompt.
01 / ZUSAMMENFASSUNG
Das Wesentliche
Maximale Eingabekapazität bei Veröffentlichung durch die Quelle.
Dokumentierte maximale Erzeugungsgrenze.
Verifizierte Verfügbarkeitskanäle.
Primäre Funktionsfamilie und verifizierte Spezialisierungen.
Deklarierte Bedingungen für API, Gewichte oder Self-Hosting.
02 / TECHNISCHES DATENBLATT
Limits und Integration
| API-ID | nvidia/cdf-sim2real-smt-solderlight |
|---|---|
| Modelltyp | Bild |
| Zugangsmodell | Offene Gewichte |
| Lizenz | OpenMDW 1.1 |
| Einsatz | Eigenbetrieb mit NVIDIA-GPUs |
| Veröffentlichung | 20 OCT 2026 |
| Wissensstichtag | Nicht veröffentlicht |
| Eingang | Bild · Text |
| Ausfahrt | Bild |
| Kontextfenster | Ein RGB-Bild eines Leiterplattenbauteils und eine feste englische Anweisung |
| maximale Leistung | RGB-PNG-Bild; Zielfläche von 262.144 Pixeln |
| Argumentation | Beleuchtungsbearbeitung, keine automatische Inspektion |
| Veröffentlichte Tools | |
| Strukturierte Ausflüge | Nicht veröffentlicht |
| Stapelverarbeitung | Nicht veröffentlicht |
| Prompt-Cache | Nicht veröffentlicht |
| Feinabstimmung | Nicht veröffentlicht |
| Verifizierte Plattformen | Hugging Face · PyTorch · Diffusers |
Sim-to-Real-Datenaugmentation für die Entwicklung von Leiterplatten-Inspektionssystemen. Geometrie, Markierungen und Bauteilform sollen bei veränderter Beleuchtung erhalten bleiben. Laden aus dem Unterordner model mit QwenImageEditPipeline. Gedacht für Ausschnitte ähnlich den Trainingsdaten, nicht für allgemeine Fotografie, Text-zu-Bild-Erzeugung oder Fehlerdiagnose.
Das Training verwendet eine Fläche von 262.144 Pixeln, bei quadratischen Ausschnitten 512 × 512: etwa 0,262 Megapixel, nicht 0,5. Andere Auflösungen können die Stiltreue beeinträchtigen. Das Modell entscheidet nicht über Leiterplattenqualität: Annahme oder Ablehnung erfordern ein nachgelagertes System und menschliche Prüfung. Inferama hat weder das Modell ausgeführt noch seine industrielle Leistung geprüft.
03 / FÄHIGKEITEN
Was es kann
Orientierung
Sim-to-Real-Datenaugmentation für die Entwicklung von Leiterplatten-Inspektionssystemen. Geometrie, Markierungen und Bauteilform sollen bei veränderter Beleuchtung erhalten bleiben. Laden aus dem Unterordner model mit QwenImageEditPipeline. Gedacht für Ausschnitte ähnlich den Trainingsdaten, nicht für allgemeine Fotografie, Text-zu-Bild-Erzeugung oder Fehlerdiagnose.
Kontext
Ein RGB-Bild eines Leiterplattenbauteils und eine feste englische Anweisung · RGB-PNG-Bild; Zielfläche von 262.144 Pixeln
Tools und Integration
Nicht veröffentlicht
Zugang
Hugging Face · herunterladbarer Checkpoint
Eingabemodalitäten
BildText
04 / PREISE
Dokumentierte Kosten
| Konzept | Wert | Einheit/Zustand |
|---|---|---|
| Standardeingabe | Kein offizieller API-Preis veröffentlicht | Standardtarif der API |
| Eingabe aus dem Cache | Nicht veröffentlicht | Lesen wiederverwendeter Präfixe |
| Schreiben oder Speichern im Cache | Nicht veröffentlicht | Die Bedingung variiert je nach Anbieter |
| Standardausgabe | Kosten der eigenen Infrastruktur | Kann Reasoning-Tokens enthalten |
| Batch-Eingabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
| Batch-Ausgabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
Öffentliche Gewichte unter OpenMDW 1.1; die ursprünglichen Qwen-Image-Edit-Komponenten behalten Apache 2.0. Die Modellkarte schätzt etwa 20 Milliarden Parameter und 170 Millionen trainierte, fusionierte LoRA-Parameter. Weder kommerzielle API noch Bild- oder Tokenpreise wurden verifiziert: numerische Kosten bleiben leer. GPU, Speicher, Datenträger und Eigenbetrieb einplanen.
i Die Preise ändern sich und können von Level, Region oder Kontextlänge abhängen. Überprüfen Sie die Quelle, bevor Sie eine Entscheidung treffen.
05 / BEWERTUNGEN
So lesen Sie die Ergebnisse
“
NVIDIA beschreibt 364 Trainingspaare und qualitative visuelle Evaluation, ohne unabhängigen Validierungs- oder Testsatz und ohne mitgelieferte reale Referenzfotos. Numerische Werte zur industriellen Qualität fehlen. Wir übernehmen keine Benchmarks des Basismodells. Für Praxistests Trainings- und Testplatinen trennen, Geometrieerhalt und neu entstandene Fehler messen und die Wirkung auf den nachgelagerten Inspektor menschlich überprüfen.
i Qualitative Anbieterevaluation; keine verifizierten Zahlenwerte.
Inferama hebt nur dann ein „bestes Ergebnis“ hervor, wenn Metrik, Testsatz, Konfiguration und Datum einen gleichwertigen Vergleich ermöglichen. Die Zahlen des Lieferanten werden als Angaben aus eigener Quelle dargestellt.
06 / VERSIONEN
Chronologie
v1.0.0
Veröffentlichungsdatum laut offizieller Modellkarte; nicht mit Erstellung oder Änderung des Repositorys verwechseln.
07 / QUELLEN