Original em inglês: https://argusic.com/subject/lingbot-map
lingbot-map
[Candidato ao Prêmio de Melhor Artigo do ECCV 2026] LingBot-Map: Geometric Context Transformer para Reconstrução 3D em Streaming
Não foi possível verificarfonte: GitHubPythonApache-2.0commit 849e690bb086
Python, licença Apache-2.0.
A Argusic não conseguiu fazer lingbot-map executar. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 3,2 minutos e encontrou 1 erro, corrigindo-o sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 50 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 3 minutos
- Da máquina limpa até o fim
- 9 minutos
- Erros encontrados e corrigidos
- 1 encontrado, 1 corrigido sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 849e690bb086
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Se ele funciona de algum modo
- esta execução não verificou nada, então esta página não afirma nada em nenhum sentido
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
**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…
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 3,2 minutos, mais rápido que a mediana dos 46 projetos comparáveis que a Argusic mediu.
- Recuperou-se do único erro sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
- Medido 2 vezes, então o resultado não é um caso isolado.
O que não deu certo, ou não se sabe
- Um agent sem limite de tempo não conseguiu fazê-lo executar.
Dos 47 projetos de Python que a Argusic instalou e cronometrou, lingbot-map foi o 23º mais rápido a chegar a um estado de execução, e 28 de 47 chegaram a esse estado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Não executou | 20,00 | 0,09 | |
| Argusic Runner | 1/3 | Não verificado | 80,00 | 0,05 |
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/lingbot-map)Perguntas
- lingbot-map executa?
- A Argusic não conseguiu verificar se lingbot-map executa. A Argusic o instalou e iniciou em uma máquina limpa em 3 minutos, encontrando 1 erro no caminho, e gravou a sessão.
- Como a Argusic testou lingbot-map?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 849e690bb086. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar lingbot-map?
- A execução que produziu este veredito custou US$ 0,05: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar lingbot-map?
- 3,2 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- lingbot-map precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar lingbot-map?
- 1 coisa quebrou na execução registrada, e 1 foi corrigida sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como lingbot-map se compara às alternativas?
- Dos 47 projetos de Python que a Argusic instalou e cronometrou, lingbot-map foi o 23º mais rápido a chegar a um estado de execução, e 28 de 47 chegaram a esse estado.
- Onde estão as evidências de lingbot-map?
- Todas as 2 execuções registradas estão nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.