Mindket

RigidFormer

新上架第 1 版 · 更新于

概览

用一个处理点集的 Transformer 预测多个刚体如何运动和碰撞,并把它的推演结果和模拟器的真实结果放在一起显示。适合物理和机器学习研究者。

RigidFormer 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。

速览

你需要
  • 你电脑上的 Python 3.12
  • requirements.txt 里列出的 Python 包
  • 启动时需要联网,因为场景和网格会在那时从 Hub 下载
  • huggingface_hub 包,它提供 hf 命令
用在
  • 网页浏览器:打开 Hugging Face 上这个 Space 的页面,无需安装任何东西
  • 装有 Python 的 Windows、macOS 或 Linux:用你下载的副本运行
  • MCP 客户端:这个 Space 带有 MCP 标签,不过来源没有给出设置方法
先运行
pip install -U huggingface_hub
hf download hugging-apps/rigidformer --repo-type space --local-dir rigidformer
cd rigidformer

平台

Windows操作系统
macOS操作系统
Linux操作系统

关于

它是什么

RigidFormer 是一个以物体为中心的 Transformer 的演示,它从点集出发,不用网格,学习多个刚体如何运动。它把预训练模型预测的运动和模拟器自己的真实结果并排显示。

应用可以推演来自 MOVi 数据的留出测试场景,也可以推演随机生成的新场景。它提供 1、5 和 10 三种步长,以及三个预训练模型:MOVi-Sphere、MOVi-A 和 MOVi-B。

适合谁

适合物理学习、机器人和仿真领域的研究者,想把学出来的动力学和真实仿真放在一起看。

行业谁在用怎么用例子
研究机器学习研究者检查学习得到的刚体推演把一次推演和真实结果对比
机器人仿真工程师看学出来的模型如何处理碰撞运行一个随机的新场景
教育物理和机器学习学生了解学习型模拟器做什么切换步长并观察变化

如果你需要通用的物理引擎,可以跳过它,因为这个模型覆盖的是 MOVi 设置里的刚体。

用在哪里

  • 网页浏览器:打开 Hugging Face 上这个 Space 的页面,无需安装任何东西
  • 装有 Python 的 Windows、macOS 或 Linux:用你下载的副本运行
  • MCP 客户端:这个 Space 带有 MCP 标签,不过来源没有给出设置方法
用例谁用得到什么
对比真实结果研究人员和模拟器结果并排的一次推演
试一个新场景开发者在随机生成的场景上的推演
测试步长学生步长为 1、5 和 10 的推演

如何设置

  • 你电脑上的 Python 3.12
  • requirements.txt 里列出的 Python 包
  • 启动时需要联网,因为场景和网格会在那时从 Hub 下载
  • huggingface_hub 包,它提供 hf 命令
  1. 安装 huggingface_hub 包。
  2. 用 hf 命令下载这个 Space。
  3. 进入下载好的文件夹。
  4. 安装指定版本的 Gradio。
  5. 安装 requirements.txt 里的包。
  6. 用 Python 启动应用。
pip install -U huggingface_hub
hf download hugging-apps/rigidformer --repo-type space --local-dir rigidformer
cd rigidformer
pip install gradio==6.31.0
pip install -r requirements.txt
python app.py

如何使用

在浏览器里打开这个 Space 的页面,或者用下面的命令启动你自己的副本。选一个预训练模型,选择测试场景或随机场景,设置步长并运行推演。

python app.py

示例

你选择 MOVi-A 模型和一个步长为 5 的留出测试场景。演示会把预测的运动和模拟器的真实结果并排显示,让你看到它们在哪里不同。

新手与专家

如果你刚接触学习型模拟器,选一个测试场景,并排看两次推演。步长越大,两次预测之间跳过的时间越多。

如果你懂这个领域,模型把每个物体看作一组点,用 Transformer 预测运动,所以不需要网格。代码来自作者的仓库,原样使用。一个小的 PyTorch 替代实现取代了 flash attention 函数。

  1. 你选择模型、场景和步长
  2. 场景和网格从 Hub 下载
  3. Transformer 预测刚体运动
  4. 推演结果和真实结果并排显示

注意事项

  • 许可证:Space 对代码标注的是 mit,README 补充说场景是 CC BY 4.0,物体网格是 CC BY-SA 4.0
  • 运行成本:来源没有提到
  • 触及的数据:启动时从 Hub 下载的场景和物体网格,以及预训练模型
  • 不适合:模型训练所用的 MOVi 风格设置之外的场景,来源没有涉及这些

README 和文件

README

RigidFormer

用一个处理点集的 Transformer 预测多个刚体如何运动和碰撞,并把它的推演结果和模拟器的真实结果放在一起显示。适合物理和机器学习研究者。

由 hugging-apps 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么:RigidFormer 是一个以物体为中心的 Transformer 的演示,它从点集出发,不用网格,学习多个刚体如何运动。它把预训练模型预测的运动和模拟器自己的真实结果并排显示。

应用可以推演来自 MOVi 数据的留出测试场景,也可以推演随机生成的新场景。它提供 1、5 和 10 三种步长,以及三个预训练模型:MOVi-Sphere、MOVi-A 和 MOVi-B。

适合谁:适合物理学习、机器人和仿真领域的研究者,想把学出来的动力学和真实仿真放在一起看。

行业 | 谁在用 | 怎么用 | 例子
研究 | 机器学习研究者 | 检查学习得到的刚体推演 | 把一次推演和真实结果对比
机器人 | 仿真工程师 | 看学出来的模型如何处理碰撞 | 运行一个随机的新场景
教育 | 物理和机器学习学生 | 了解学习型模拟器做什么 | 切换步长并观察变化

如果你需要通用的物理引擎,可以跳过它,因为这个模型覆盖的是 MOVi 设置里的刚体。

用在哪里:

  • 网页浏览器:打开 Hugging Face 上这个 Space 的页面,无需安装任何东西
  • 装有 Python 的 Windows、macOS 或 Linux:用你下载的副本运行
  • MCP 客户端:这个 Space 带有 MCP 标签,不过来源没有给出设置方法
用例 | 谁用 | 得到什么
对比真实结果 | 研究人员 | 和模拟器结果并排的一次推演
试一个新场景 | 开发者 | 在随机生成的场景上的推演
测试步长 | 学生 | 步长为 1、5 和 10 的推演

如何设置:

  • 你电脑上的 Python 3.12
  • requirements.txt 里列出的 Python 包
  • 启动时需要联网,因为场景和网格会在那时从 Hub 下载
  • huggingface_hub 包,它提供 hf 命令
  1. 安装 huggingface_hub 包。
  2. 用 hf 命令下载这个 Space。
  3. 进入下载好的文件夹。
  4. 安装指定版本的 Gradio。
  5. 安装 requirements.txt 里的包。
  6. 用 Python 启动应用。
pip install -U huggingface_hub
hf download hugging-apps/rigidformer --repo-type space --local-dir rigidformer
cd rigidformer
pip install gradio==6.31.0
pip install -r requirements.txt
python app.py

如何使用:在浏览器里打开这个 Space 的页面,或者用下面的命令启动你自己的副本。选一个预训练模型,选择测试场景或随机场景,设置步长并运行推演。

python app.py

示例:你选择 MOVi-A 模型和一个步长为 5 的留出测试场景。演示会把预测的运动和模拟器的真实结果并排显示,让你看到它们在哪里不同。

新手与专家:如果你刚接触学习型模拟器,选一个测试场景,并排看两次推演。步长越大,两次预测之间跳过的时间越多。

如果你懂这个领域,模型把每个物体看作一组点,用 Transformer 预测运动,所以不需要网格。代码来自作者的仓库,原样使用。一个小的 PyTorch 替代实现取代了 flash attention 函数。

你选择模型、场景和步长
场景和网格从 Hub 下载
Transformer 预测刚体运动
推演结果和真实结果并排显示

注意事项:

  • 许可证:Space 对代码标注的是 mit,README 补充说场景是 CC BY 4.0,物体网格是 CC BY-SA 4.0
  • 运行成本:来源没有提到
  • 触及的数据:启动时从 Hub 下载的场景和物体网格,以及预训练模型
  • 不适合:模型训练所用的 MOVi 风格设置之外的场景,来源没有涉及这些

Hugging Face 上的数据(2026年11月13日)

  • 点赞:1
  • 构建方式:gradio
  • 许可证:mit

链接

  • Space:https://huggingface.co/spaces/hugging-apps/rigidformer
  • 文件:https://huggingface.co/spaces/hugging-apps/rigidformer/tree/main

试用

在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。

文件
README.md  4 KB

1 个文件,共 4 KB,以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

同类产品对比

同一分类里与本产品共有标签最多的已上架 Hugging Face Space。

产品点赞构建方式许可证最近更新
RigidFormer 本页1gradiomit
TabArena共有 mcp-server · gradio222gradioapache-2.0
Recommend Similar Papers共有 mcp-server · gradio201gradiomit
4DAnyone Multi-View Video共有 mcp-server · gradio47gradioapache-2.0
PRISM Image to 3D共有 mcp-server · gradio6gradioapache-2.0
ModelScope Text To Video共有 mcp-server · gradio1gradiocc-by-nc-4.0
数据为 Mindket 在 2026-11-12 读取的数值。

评价

还没有评分

写评价

还没有评价。

Mindket 的更多商品

查看 Mindket 的全部商品

anaksor-ocr

Sokheng · 工具包

这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。

新上架

Qwen2.5-7B-Instruct-GGUF

Qwen · 工具包

Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。

新上架

ACE-Step 1.5 XL SFT

ACE-Step · 工具包

用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。

新上架

研究类的相似商品

查看研究类的全部商品

Merlin-Cancer-Super

AbdomenAtlas · 工具包

在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。

新上架

EarthJev

dBenf · 工具包

回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。

新上架

getting-over-it-rl-jax

zimmerk4 · 工具包

用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。

新上架