Utilisation principale déclarée ou déduite avec prudence de la documentation officielle.
N
NVIDIA / nvidia/cdf-sim2real-smt-solderlight
CDF Sim2Real SMT Solderlight
Modèle d’édition d’image NVIDIA, version 1.0.0 publiée le 20 octobre 2026. Il transforme des recadrages synthétiques de composants de circuits imprimés rendus dans Omniverse en images à éclairage d’inspection optique. Il dérive de Qwen-Image-Edit avec un ajustement LoRA fusionné : le paquet inclut le pipeline complet, pas un adaptateur séparé. L’utilisateur fournit l’image ; l’instruction anglaise est fixe, pas libre.
01 / RÉSUMÉ
L'essentiel
Capacité d'entrée maximale une fois publiée par la source.
Limite de génération maximale documentée.
Canaux de disponibilité vérifiés.
Famille fonctionnelle principale et spécialités vérifiées.
Conditions déclarées pour l’API, les poids ou l’auto-hébergement.
02 / FICHE TECHNIQUE
Limites et intégration
| ID d’API | nvidia/cdf-sim2real-smt-solderlight |
|---|---|
| Type de modèle | Image |
| Mode d’accès | Poids ouverts |
| Licence | OpenMDW 1.1 |
| Déploiement | Déploiement autonome sur GPU NVIDIA |
| Lancement | 20 OCT 2026 |
| Date limite des connaissances | Non publié |
| Entrée | Image · Texte |
| Sortie | Image |
| Fenêtre contextuelle | Une image RGB de composant PCB et une instruction fixe en anglais |
| puissance maximale | Image PNG RGB ; surface cible de 262 144 pixels |
| Raisonnement | Modification d’éclairage, pas inspection automatique |
| Outils publiés | |
| Sorties structurées | Non publié |
| Traitement par lots | Non publié |
| Cache de prompts | Non publié |
| Ajustement fin | Non publié |
| Plateformes vérifiées | Hugging Face · PyTorch · Diffusers |
Augmentation de données sim-to-real pour développer des systèmes d’inspection de circuits imprimés. Il vise à préserver géométrie, marquages et forme des composants tout en modifiant leur éclairage. Il se charge depuis le sous-dossier model avec QwenImageEditPipeline. Il cible des recadrages proches de sa distribution d’entraînement, pas la photographie générale, la génération depuis du texte ou le diagnostic de défauts.
L’entraînement utilise une surface de 262 144 pixels, soit 512 × 512 pour des recadrages carrés : environ 0,262 mégapixel, pas 0,5. D’autres résolutions peuvent dégrader le style. Il ne décide pas de la qualité d’une carte : acceptation ou rejet nécessitent un système en aval et une revue humaine. Inferama n’a ni exécuté le modèle ni vérifié ses performances industrielles.
03 / CAPACITÉS
Ce qu’il peut faire
Orientation
Augmentation de données sim-to-real pour développer des systèmes d’inspection de circuits imprimés. Il vise à préserver géométrie, marquages et forme des composants tout en modifiant leur éclairage. Il se charge depuis le sous-dossier model avec QwenImageEditPipeline. Il cible des recadrages proches de sa distribution d’entraînement, pas la photographie générale, la génération depuis du texte ou le diagnostic de défauts.
Contexte
Une image RGB de composant PCB et une instruction fixe en anglais · Image PNG RGB ; surface cible de 262 144 pixels
Outils et intégration
Non publié
Accès
Hugging Face · checkpoint téléchargeable
Modalités d’entrée
ImageTexte
04 / TARIFS
Coût documenté
| Concept | Valeur | Unité/état |
|---|---|---|
| Entrée standard | Aucun tarif API officiel publié | Tarif API standard |
| Entrée en cache | Non publié | Lecture de préfixes réutilisés |
| Écriture ou stockage de cache | Non publié | La condition varie selon le fournisseur |
| Sortie standard | Coût de l’infrastructure propre | Peut inclure des tokens de raisonnement |
| Entrée par lots | Non publié | Traitement asynchrone |
| Sortie par lots | Non publié | Traitement asynchrone |
Poids publics sous OpenMDW 1.1 ; les composants d’origine de Qwen-Image-Edit conservent Apache 2.0. La fiche estime environ 20 milliards de paramètres et 170 millions de paramètres LoRA entraînés et fusionnés. Nous n’avons vérifié ni API commerciale ni prix par image ou token : les coûts numériques restent vides. Prévoyez GPU, mémoire, stockage et exploitation autonome.
i Les prix changent et peuvent dépendre du niveau, de la région ou de la durée du contexte. Vérifiez la source avant de prendre une décision.
05 / ÉVALUATIONS
Comment lire les résultats
“
NVIDIA décrit 364 paires d’entraînement et une évaluation visuelle qualitative, sans partition indépendante de validation ou de test ni jeu de photographies réelles de référence fourni. Aucun score numérique de qualité industrielle n’est publié. Nous ne reprenons pas les benchmarks du modèle de base. Pour évaluer l’usage réel, séparez cartes d’entraînement et de test, mesurez préservation géométrique et défauts introduits, puis validez l’effet sur l’inspecteur en aval avec revue humaine.
i Évaluation qualitative du fournisseur ; aucun score numérique vérifié.
Inferama ne met en évidence un « meilleur résultat » que lorsque la métrique, l'ensemble de test, la configuration et la date permettent une comparaison équivalente. Les chiffres du fournisseur sont présentés comme des affirmations provenant de sa propre source.
06 / VERSIONS
Chronologie
v1.0.0
Date de sortie déclarée dans la fiche officielle ; ne pas la confondre avec la création ou la modification du dépôt.
07 / SOURCES