Original en inglés: https://argusic.com/subject/lingbot-map
lingbot-map
[Candidato al premio al mejor artículo de ECCV 2026] LingBot-Map: Geometric Context Transformer para reconstrucción 3D en tiempo real
No se pudo verificarfuente: GitHubPythonApache-2.0commit 849e690bb086
Python, licencia Apache-2.0.
Argusic no consiguió que lingbot-map funcionara. Un agent de Argusic lo instaló en 3,2 minutos y encontró 1 error, corregido sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Installs in a venv with CPU PyTorch; core model forward pass and streaming inference run end-to-end on CPU with synthetic data, producing predicted camera poses and depth maps; CUDA-dependent scripts and pre-trained-weight loading are not exercised.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 50 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- min(scale_frames, S_true) in lingbot_map/aggregator/stream.py lines 340/353 raises RuntimeError when S_true/S_global is a tensor with >1 element0,5 minutos
- Tiempo de instalación
- 3 minutos
- De máquina en frío a terminar
- 9 minutos
- Errores encontrados y corregidos
- 1 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pip install -e . succeeded; python3 -c 'from lingbot_map.models.gct_stream import GCTStream; m=GCTStream(); m.forward(torch.randn(1,1,3,112,112), num_frame_for_scale=8, num_frame_per_block=1, causal_inference=True)' returned dict with pose_enc[1,1,9], depth[1,1,112,112,1], depth_conf[1,1,112,112]; m.inference_streaming(torch.randn(10,3,112,112), num_scale_frames=8) returned pose_enc[1,10,9], depth[1,10,112,112,1]
- Tokens de modelo usados
- 211.756
- Commit exacto probado
- 849e690bb086
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Si funciona en absoluto
- esta ejecución no verificó nada, así que esta página no afirma nada en ningún sentido
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
**Install**: Created a venv, installed PyTorch 2.6.0 (CPU), all deps, and `pip install -e .` succee… **Key bug found and fixed**: `lingbot_map/aggregator/stream.py` line 340 and 353 called `min(scale_… **Verification**: The core model builds (1,156,803,828 params), `.forward()` with a single 112×112 … **Can't run without CUDA**: `gct_profile.py`, `scripts/benchmark_gct_memory.py`, and `benchmark/` e… tokens used 211,756 Now I have all the data. Let me produce the final report. Here's my comprehensive assessment: **Install**: Created a venv, installed PyTorch 2.6.0 (CPU), all deps, and `pip install -e .` succee… **Key bug found and fixed**: `lingbot_map/aggregator/stream.py` line 340 and 353 called `min(scale_… **Verification**: The core model builds (1,156,803,828 params), `.forward()` with a single 112×112 … **Can't run without CUDA**: `gct_profile.py`, `scripts/benchmark_gct_memory.py`, and `benchmark/` e…
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 3,2 minutos, más rápido que la mediana de los 46 proyectos comparables que ha medido Argusic.
- Se recuperó de su único error sin que interviniera una persona, lo que indica que el fallo está lo bastante documentado como para resolverlo.
- Licencia Apache-2.0, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
Qué no salió bien, o no se sabe
- Un agent sin límite de tiempo no consiguió que funcionara.
De los 47 proyectos de Python que Argusic ha instalado y cronometrado, lingbot-map fue el 23.º más rápido en llegar a funcionar, y 28 de 47 llegaron a funcionar.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | No funcionó | 20,00 | 0,09 | |
| Argusic Runner | 1/3 | Sin verificar | 80,00 | 0,05 |
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/lingbot-map)Preguntas
- ¿Funciona lingbot-map?
- Argusic no pudo verificar que lingbot-map funcione. Argusic lo instaló y lo inició en una máquina limpia en 3 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic lingbot-map?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 849e690bb086. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar lingbot-map?
- La ejecución que produjo este veredicto costó 0,05 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda lingbot-map en instalarse?
- 3,2 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita lingbot-map una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar lingbot-map?
- En la ejecución registrada falló 1 cosa, y 1 se corrigió sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara lingbot-map con las alternativas?
- De los 47 proyectos de Python que Argusic ha instalado y cronometrado, lingbot-map fue el 23.º más rápido en llegar a funcionar, y 28 de 47 llegaron a funcionar.
- ¿Dónde está la evidencia de lingbot-map?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.