CARI4D Commercial: NVIDIA тихо открыла для бизнеса свою 4D-модель взаимодействия

Примерно 30 августа 2026 года репозиторий с ограниченным доступом под названием nvidia/cari4d_commercial появился на Hugging Face. В его карточке модели описывается чекпойнт, который производитель называет «CARI4D CoCoNet Native Momentum Human Rig (MHR)» — сеть на 231 млн параметров, которая принимает обычное MP4-видео и покадрово возвращает позу одного человека и одного жёсткого объекта, которым он манипулирует, а также два логита контакта рук. В строке лицензии указано nvidia-open-model-agreement, и в карточке сказано, что модель готова к коммерческому или некоммерческому использованию. Это существенное изменение по сравнению с CARI4D в его прежней жизни. Исследовательский репозиторий, nvidia/CARI4D поставляет то же семейство моделей — CoCoNet, 194 млн параметров — под лицензией NVIDIA License с надписью «только для исследований и разработок» на карточке. Это разница между статьёй, которую можно прочитать, и компонентом, который можно выпустить.

Что делает это новостью — не сам релиз. Это тишина вокруг него. Это не запуск: NVIDIA не опубликовала ни поста в блоге, ни заметки в новостном разделе, ни таблицы бенчмарков, ни цены на cari4d_commercial, и на момент написания репозиторий доступен только после принятия условий и предоставления контактной информации. Всё нижеследующее прочитано с двух карточек моделей и публичного релиза кода. Там, где утверждение принадлежит самой NVIDIA и не воспроизведено, в статье это указано.

Что на самом деле изменилось 30 августа?

Есть соблазн списать это на изменение лицензии. Но это нечто большее. Сопоставьте две карточки — и сразу сдвинулись три вещи: лицензия, размер контрольной точки и лежащая в основе модель человеческого тела.

• Параметры — исследовательский релиз CARI4D 194M против CARI4D CoCoNet MHR 231M

• Контрольная точка — step031397.pth (31 397 шагов обучения) против строки версии 2026-08-25-09-35-57, шаг 200 000, статус "Training completed"

• Риг тела — поза и форма SMPL / SMPL-H в сравнении с параметрами Native Momentum Human Rig (MHR)

• Лицензия — NVIDIA License, «только для исследований и разработок», в отличие от NVIDIA Open Model Agreement, коммерческое использование разрешено

• Доступ — открытая загрузка или загрузка с ограничением, условия должны быть приняты

Выходные данные — обновлённые поза, форма и трансляция SMPL, поворот и трансляция объекта, бинарный контакт руки в сравнении с покадровой позой объекта и остатками MHR, а также два логита контакта руки.

Количество шагов — это та строка, которая заслуживает внимания. Исследовательский чекпойнт, замороженный на отметке примерно 31 тыс. шагов, и производственный чекпойнт, дошедший до 200 000, — это не один и тот же объект с приклеенным сверху другим заголовком лицензии. NVIDIA также указывает цифру 231M как «измеренную по состоянию модели на шаге 84 000, исключая зарегистрированные буферы», что говорит о том, что карточка описывает тренировочную линию, а не единый замороженный артефакт.

Замена рига тела не менее важна для всех, кто уже разрабатывал под CARI4D. Исследовательская линейка целиком основана на SMPL: члены оптимизации из статьи регрессируют позу, форму и трансляцию SMPL, а код зависит от pickle-файлов SMPL-H и патча VolumetricSMPL. MHR — это другая параметризация. Если вы писали код интеграции под выходные тензоры исследовательского чекпоинта, форма выходных данных коммерческой карточки не подходит для прямой замены.

Исследовательскому релизу, на котором это построено, восемь месяцев.

Стоит быть точными в отношении хронологии, потому что фраза «новая модель» здесь была бы неверна, и фраза «старая модель» тоже была бы неверна.

Статья CARI4D — Не зависящая от категорий 4D-реконструкция взаимодействия человека с объектами, авторы: Сянхуэй Се, Боуэн Вэнь, Янь Чан, Хесам Рабети, Цзефэн Ли, Е Юань, Жерар Понс-Молл и Стэн Бёрчфилд — была выложена на arXiv 16 декабря 2025 года под номером 2512.11988 и принята на CVPR 2026. Релиз кода NVlabs последовал 28 февраля 2026 года. Обучающий код и предобработка пользовательских видео появились 4 апреля. По любым обычным меркам это направление исследований — устоявшаяся, восьмимесячной давности работа с выполненным списком TODO.

Итак, честная формулировка такова: метод — это старая новость, а коммерческому артефакту — три недели. Если вы искали CARI4D в марте и пришли к выводу, что это исследовательская диковинка с ограничительной лицензией, то этот вывод был верен тогда, а сейчас устарел. Именно поэтому это относится к новостной рубрике.

Что модель на самом деле делает и насколько хорошо

CARI4D реконструирует взаимодействие человека с объектом в 4D — три пространственных измерения плюс время — в метрическом масштабе, из одного монокулярного RGB-видео. Последнее ограничение — самое интересное. Восстановление метрического масштаба объекта, который держит человек, с одной обычной камеры, без датчика глубины и без многовидовой системы, — это проблема, вокруг которой построена статья.

Пайплайн представляет собой цепочку фундаментальных моделей, а не одну сквозную сеть: UniDepth для метрической глубины, NLF и GENMO для позы человека, Hunyuan3D для мешей объектов по одному изображению, FoundationPose для отслеживания объектов, VolumetricSMPL для модели тела со знаковой функцией расстояния. CoCoNet — та часть, которую NVIDIA фактически выпускает, — находится в середине и выполняет рассуждение о контактах. Она рендерит текущую оценку человека и объекта в RGB, глубину и маски, затем сравнивает этот рендер с реальным наблюдением с помощью RGB-кодировщика DINOv2 ViT-B/14 и шестиканального кодировщика XYZ-и-маски ViT-S/14, прогоняет два пространственно-временных блока внимания и регрессирует покадровые поправки через головы MLP.

Опубликованные цифры, из статьи и собственной карточки производителя: ошибка реконструкции на 38% ниже, чем у предшествующих решений, на внутрираспределённых наборах данных и на 36% — на невиданных ранее наборах. Абляция, которая делает архитектуру понятной, даёт расстояние Чамфера для объектов 1 565,42 см при использовании сырых NLF плюс трекинга FoundationPose, 16,85 см после инициализации CARI4D и от 11,59 до 11,57 см, как только включаются уточнение CoCoNet и полная совместная оптимизация. Это данные производителя из рецензируемой статьи — происхождение надёжнее, чем маркетинговая страница, но это по-прежнему не независимое воспроизведение, и ни одна третья сторона такого воспроизведения не опубликовала.

Коммерческая карточка добавляет деталь, которой не было в статье: модель обучалась на FORM-HOI, описанном как набор из 2 126 внутренних последовательностей, и в карточке прямо говорится, что отдельного тестового набора данных нет — оценка проводится на качественном демонстрационном наборе. В ней также отмечается, что внутренний обучающий корпус «Daniel» не распространяется. Если читать это вместе, получается, что вендор сообщает: обучающее распределение принадлежит ему, а доказательства обобщения слабее, чем предполагает таблица абляций.

Что на самом деле даёт лицензия, а что нет

NVIDIA Open Model Agreement — это разрешительная коммерческая лицензия, но «коммерческое использование разрешено» — не то же самое, что «никаких обязательств». В карточке модель указана как предназначенная для разработчиков и исследователей, создающих коммерческие или некоммерческие системы компьютерного зрения для оценки 3D/4D-позы человека и объектов, анализа движения, визуализации, курирования данных и восприятия в робототехнике, и в ней явно исключаются прямое автономное управление приводами или принятие критически важных для жизни решений.

Два практических замечания для тех, кто это оценивает. Во-первых, доступ к репозиторию ограничен: нужно принять условия и предоставить контактные данные, прежде чем появятся файлы, поэтому проверка со стороны закупок и юристов происходит до скачивания, а не после. Во-вторых, развёрнутая модель не является самодостаточной. CoCoNet — это 231 млн параметров, но она не работает сама по себе: более широкий конвейер по-прежнему подтягивает веса NLF torchscript, веса FoundationPose, ассеты SMPL-H, `kid_template.npy`, и ему всё ещё нужен Hunyuan3D, чтобы вообще создать меши объектов. Коммерческая лицензия распространяется на ту часть, которую выпускает NVIDIA. Она не распространяется на сторонние зависимости вокруг неё, и каждая из них имеет собственные условия. Именно так подобные релизы чаще всего преподносят сюрприз юридической команде.

Что это значит для тех, кто создаёт решения с помощью моделей

Если говорить прямо о сфере применения: CARI4D — это модель реконструкции для компьютерного зрения, а не языковая модель, и OrcaRouter её не обслуживает. Ничто в этой статье не должно восприниматься как утверждение об обратном — самостоятельный хостинг её с PyTorch на GPU класса Ampere, то есть в конфигурации, в которой, как указано в карточке, она проходила валидацию, — сегодня единственный способ её запустить.

Причина, по которой это всё ещё заслуживает отдельного абзаца здесь, заключается в том, что в карточке указано курирование данных в качестве основного предполагаемого применения, и это как раз та часть 4D-пайплайна, где на самом деле живут языковые модели. Создание набора данных о взаимодействии человека с объектами означает создание подписей к клипам, разметку контактных событий, написание промптов для контроля качества и фильтрацию сбоев — работу, которая проходит через визуально-языковые и языковые модели, и работу, которая плохо масштабируется, если для каждой из них нужен отдельный контракт и отдельный ключ. Маршрутизация более 200 моделей через единый API в OrcaRouter, с передачей прейскурантной цены провайдера с наценкой 0% и автоматическим переключением при деградации провайдера, — это то, как выглядит этот уровень, когда он не сделан на заказ. Снижения цен поставщиками доходят до эндпоинта в тот же день, потому что нет наценки, которую нужно пересчитывать. Это другая задача по сравнению с тем, что делает CARI4D, и это задача, которая его окружает.

Что могло бы изменить это чтение?

Четыре вещи. Анонс от NVIDIA превратил бы тихий репозиторий в поддерживаемый продукт, а вместе с ним появились бы условия ценообразования и поддержки, которые сейчас отсутствуют. Опубликованная оценка на наборе данных, который NVIDIA не создавала, решила бы вопрос обобщения, который карточка оставляет открытым. Документация о том, что MHR меняет по сравнению с SMPL, сообщила бы существующим интеграторам CARI4D, насколько дорогой на самом деле является миграция — сейчас в карточке упоминается риг, но не объясняется разница. А решение по сторонним зависимостям определило бы, означает ли «коммерчески лицензированный» то, что предположит команда закупок.

До тех пор корректное описание будет узким и невзрачным, и именно его поддерживают доказательства: у линейки NVIDIA CARI4D с 30 августа 2026 года доступен коммерчески лицензированный, более крупный и дольше обучавшийся чекпойнт, а производитель не сказал об этом ни слова. Если вам нужно 4D-взаимодействие человека с объектами в метрическом масштабе и вы списали это со счетов как исключительно исследовательское, препятствие, которое вы обходили, исчезло.