Uso principal declarado o inferido con cautela desde la documentación oficial.
N
NVIDIA / nvidia/cdf-sim2real-smt-solderlight
CDF Sim2Real SMT Solderlight
Modelo de edición de imagen de NVIDIA, versión 1.0.0 publicada el 20 de octubre de 2026. Transforma recortes sintéticos de componentes de circuitos impresos renderizados en Omniverse hacia un estilo de iluminación de inspección óptica. Deriva de Qwen-Image-Edit con un ajuste LoRA fusionado: el paquete incluye la pipeline completa, no un adaptador independiente. El usuario aporta la imagen; la instrucción inglesa es fija, no un prompt libre.
01 / RESUMEN
Lo esencial
Capacidad máxima de entrada cuando la fuente la publica.
Límite máximo de generación documentado.
Canales de disponibilidad verificados.
Familia funcional principal y especialidades verificadas.
Condiciones declaradas para API, pesos o despliegue propio.
02 / FICHA TÉCNICA
Límites e integración
| ID de API | nvidia/cdf-sim2real-smt-solderlight |
|---|---|
| Tipo de modelo | Imagen |
| Modelo de acceso | Pesos abiertos |
| Licencia | OpenMDW 1.1 |
| Despliegue | Despliegue propio con GPU NVIDIA |
| Lanzamiento | 20 OCT 2026 |
| Corte de conocimiento | No publicado |
| Entrada | Imagen · Texto |
| Salida | Imagen |
| Ventana de contexto | Una imagen RGB de componente PCB y una instrucción fija en inglés |
| Salida máxima | Imagen PNG RGB; área objetivo de 262.144 píxeles |
| Razonamiento | Edición de iluminación, no inspección automática |
| Herramientas publicadas | |
| Salidas estructuradas | No publicado |
| Procesamiento por lotes | No publicado |
| Caché de prompts | No publicado |
| Ajuste fino | No publicado |
| Plataformas verificadas | Hugging Face · PyTorch · Diffusers |
Aumento de datos sim-to-real para desarrollar sistemas de inspección de placas. Busca conservar geometría, marcas y forma del componente mientras cambia su iluminación. Se carga desde la subcarpeta model con QwenImageEditPipeline. Está orientado a recortes similares a su distribución de entrenamiento, no a fotografía general, generación desde texto o diagnóstico de defectos.
El entrenamiento utiliza un área de 262.144 píxeles, equivalente a 512 × 512 en recortes cuadrados: aproximadamente 0,262 megapíxeles, no 0,5. Otras resoluciones pueden degradar el estilo. No es el decisor de calidad de una placa: la aceptación o rechazo requiere un sistema posterior y revisión humana. Inferama no ha ejecutado el modelo ni comprobado su rendimiento industrial.
03 / CAPACIDADES
Qué puede hacer
Orientación
Aumento de datos sim-to-real para desarrollar sistemas de inspección de placas. Busca conservar geometría, marcas y forma del componente mientras cambia su iluminación. Se carga desde la subcarpeta model con QwenImageEditPipeline. Está orientado a recortes similares a su distribución de entrenamiento, no a fotografía general, generación desde texto o diagnóstico de defectos.
Contexto
Una imagen RGB de componente PCB y una instrucción fija en inglés · Imagen PNG RGB; área objetivo de 262.144 píxeles
Herramientas e integración
No publicado
Acceso
Hugging Face · checkpoint descargable
Modalidades de entrada
ImagenTexto
04 / PRECIOS
Coste documentado
| Concepto | Valor | Unidad / condición |
|---|---|---|
| Entrada estándar | Sin tarifa API oficial publicada | Tarifa estándar de API |
| Entrada en caché | No publicado | Lectura de prefijos reutilizados |
| Escritura o almacenamiento de caché | No publicado | La condición varía según proveedor |
| Salida estándar | Coste de infraestructura propia | Puede incluir tokens de razonamiento |
| Entrada por lotes | No publicado | Procesamiento asíncrono |
| Salida por lotes | No publicado | Procesamiento asíncrono |
Pesos públicos bajo OpenMDW 1.1; los componentes originales de Qwen-Image-Edit conservan Apache 2.0. La ficha estima unos 20B parámetros y unos 170M parámetros LoRA entrenados y fusionados. No hemos verificado una API comercial ni precios por imagen o token: los costes numéricos permanecen vacíos. Presupuesta GPU, memoria, almacenamiento y operación del despliegue propio.
i Los precios cambian y pueden depender del nivel, la región o la longitud del contexto. Revisa la fuente antes de tomar una decisión.
05 / EVALUACIONES
Cómo leer los resultados
“
NVIDIA describe 364 pares de entrenamiento y evaluación visual cualitativa, sin partición independiente de validación o prueba ni fotografías humanas de referencia empaquetadas. No publica puntuaciones numéricas de calidad industrial. No heredamos benchmarks del modelo base. Para evaluar el uso real, separa placas de entrenamiento y prueba, mide preservación geométrica y defectos introducidos, y valida el efecto sobre el inspector posterior con revisión humana.
i Evaluación cualitativa del proveedor; sin puntuaciones numéricas verificadas.
Inferama solo destaca un «mejor resultado» cuando la métrica, el conjunto de prueba, la configuración y la fecha permiten una comparación equivalente. Las cifras del proveedor se presentan como afirmaciones de su propia fuente.
06 / VERSIONES
Cronología
v1.0.0
Fecha de lanzamiento declarada en la ficha oficial; no confundir con la creación ni la modificación del repositorio.
07 / FUENTES