Original en anglais: https://argusic.com/subject/lingbot-map
lingbot-map
[ECCV 2026 Best Paper Award Candidate] LingBot-Map: Transformateur de contexte géométrique pour la reconstruction 3D en continu
Non vérifiablesource : GitHubPythonApache-2.0commit 849e690bb086
Python, sous licence Apache-2.0.
Argusic n'a pas réussi à faire fonctionner lingbot-map. Un agent Argusic l'a installé en 3,2 minutes et a rencontré 1 erreur, corrigée sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
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.
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 50 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- 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 minute
- Temps d'installation
- 3 minutes
- De la machine vierge à la fin
- 9 minutes
- Erreurs rencontrées et corrigées
- 1 rencontrée, 1 corrigée sans aide humaine
- Comment le résultat a été prouvé
- 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 modèle utilisés
- 211 756
- Commit exact testé
- 849e690bb086
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
- S'il fonctionne tout court
- cette exécution n'a rien vérifié, donc cette page n'affirme rien dans un sens ni dans l'autre
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
**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…
Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- Installé en 3,2 minutes, plus vite que la médiane des 46 projets comparables mesurés par Argusic.
- S'est remis de 1 erreur sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- Sous licence Apache-2.0, selon son hébergeur.
- Mesuré 2 fois, le résultat n'est donc pas un cas isolé.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- Un agent sans limite de temps ne l'a pas fait fonctionner.
Sur les 47 projets Python qu'Argusic a installés et chronométrés, lingbot-map a été le 23e plus rapide à atteindre un état de fonctionnement, et 28 sur 47 en ont atteint un.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | N'a pas fonctionné | 20,00 | 0,09 | |
| Argusic Runner | 1/3 | Non vérifié | 80,00 | 0,05 |
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/lingbot-map)Questions
- lingbot-map fonctionne-t-il ?
- Argusic n'a pas pu vérifier que lingbot-map fonctionne. Argusic l'a installé et lancé sur une machine propre en 3 minutes, en rencontrant 1 erreur en route, et a enregistré la session.
- Comment Argusic a-t-il testé lingbot-map ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 849e690bb086. 2 tentatives sont enregistrées, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de lingbot-map ?
- L'exécution qui a produit ce verdict a coûté 0,05 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer lingbot-map ?
- 3,2 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- lingbot-map a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de lingbot-map ?
- 1 problème est survenu lors de l'exécution enregistrée, et 1 a été corrigé sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Comment lingbot-map se compare-t-il aux alternatives ?
- Sur les 47 projets Python qu'Argusic a installés et chronométrés, lingbot-map a été le 23e plus rapide à atteindre un état de fonctionnement, et 28 sur 47 en ont atteint un.
- Où sont les preuves pour lingbot-map ?
- Les 2 exécutions enregistrées se trouvent sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.