/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
drivefusion · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
28 июн 2025

DriveFusion-V0.2

Языковая модельИзображение, текст → action3 профессии

Мультимодальная модель DriveFusion для анализа дорожных сцен с учётом GPS и скорости, объяснения решений и предсказания траектории автомобиля.

126скачиваний за 30 дней0лайковвеса обновлены10 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DriveFusion-V0.2 — мультимодальная модель для автономного вождения, разработанная проектом DriveFusion и дообученная на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель объединяет изображения и видео с телеметрией автомобиля, включая GPS и скорость, и решает две задачи: описывает дорожные сцены и объясняет решения на естественном языке, а также предсказывает траекторию и профиль целевой скорости.

Архитектура расширяет Qwen2.5-VL специализированными MLP-модулями для слияния визуальных признаков с телеметрией и предсказательными головами. Указаны 3,1 млрд параметров и контекстное окно 128 000 токенов. Модель формирует 20 будущих путевых точек и 10 значений целевой скорости; для обработки входов требуется специальный DriveFusionProcessor.

Предназначена для планирования движения, проверки решений системы вождения, объяснения манёвров и симуляционных сценариев. Карточка описывает возможности для автономного вождения, но не приводит результатов оценки безопасности или точности в реальных дорожных условиях. Лицензия — Apache-2.0.

Сценарии применения

  • предсказание будущих путевых точек автомобиля по изображению и телеметрии
  • прогноз целевой скорости для планирования движения
  • описание дорожной сцены по изображениям или видео
  • генерация текстового объяснения предполагаемого манёвра
  • проверка решений системы автономного вождения
  • управление автомобилем в симуляционной среде

Ограничения

Для обработки входов требуется специальный DriveFusionProcessor. В карточке не приведены результаты оценки точности и безопасности в реальных дорожных условиях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DriveFusion-V0.2

Model License Base Model Status


🚀 Model Overview

DriveFusion-V0.2 is a multimodal model designed for autonomous vehicle applications. Unlike standard Vision-Language models, V0.2 integrates telemetry data (GPS and Speed) directly into the transformer architecture to perform dual tasks:

  1. Natural Language Reasoning: Describing scenes and explaining driving decisions.
  2. Trajectory & Speed Prediction: Outputting coordinates for future waypoints and target velocity profiles.

Built on the Qwen2.5-VL foundation, DriveFusion-V0.2 adds specialized MLP heads to fuse physical context with visual features, enabling a comprehensive "world model" for driving.

🔗 GitHub Repository

Find the full implementation, training scripts, and preprocessing logic here:

Core Features

  • Vision Processing: Handles images and videos via a 32-layer Vision Transformer.
  • Context Fusion: Custom SpeedMLP and GPSTargetPointsMLP integrate vehicle telemetry.
  • Predictive Heads: Generates 20 trajectory waypoints and 10 target speed values.
  • Reasoning: Full natural language generation for "Chain of Thought" driving explanations.

🏗 Architecture

DriveFusion-V0.2 extends the Qwen2.5-VL architecture with a modular "Driving Intelligence" layer.

Technical Specifications

  • Text Encoder: Qwen2.5-VL (36 Transformer layers).
  • Vision Encoder: 32-layer ViT with configurable patch sizes.
  • Driving MLPs:
    • TrajectoryMLP: Generates batch × 20 × 2 coordinates.
    • TargetSpeedMLP: Generates batch × 10 × 2 velocity values.
  • Context Window: 128k tokens.

🚀 Quick Start

Using DriveFusion-V0.2 requires the custom DriveFusionProcessor to handle the fusion of text, images, and telemetry.

Installation

pip install transformers accelerate qwen-vl-utils torch

Inference Example

import torch
from drivefusion import DriveFusionForConditionalGeneration, DriveFusionProcessor

# Load Model
model_id = "DriveFusion/DriveFusion-V0.2"
model = DriveFusionForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.float16).to("cuda")
processor = DriveFusionProcessor.from_pretrained(model_id)

# Define Input: Image + Prompt + Telemetry
gps_context = [[40.7128, -74.0060], [40.7130, -74.0058]] # Lat/Lon history
speed_context = [[30.5]] # Current speed in m/s

message = [{
    "role": "user",
    "content": [
        {"type": "image", "image": "highway_scene.jpg"},
        {"type": "text", "text": f"{'-->'*34}Analyze the scene and predict the next trajectory based on our current speed."}
    ]
}]

# Generate
inputs = processor(text=message, images="highway_scene.jpg", gps=gps_context, speed=speed_context, return_tensors="pt").to("cuda")
output = model.generate(**inputs, max_new_tokens=512)

# Results
print("Reasoning:", output["text"])
print("Predicted Trajectory (20 pts):", output["trajectory"])
print("Target Speeds:", output["target_speeds"])

🛠 Intended Use

  • End-to-End Autonomous Driving: Acting as a primary planner or a redundant safety checker.
  • Explainable AI (XAI): Providing human-readable justifications for automated maneuvers.
  • Sim-to-Real Transfer: Using the model as a sophisticated "expert" driver in simulated environments.

Citation

@misc{drivefusionqa2026,
  title={DriveFusion-V0.2: A Vision Language Action Model for Autonomous Driving},
  author={Samir, Omar and DriveFusion Team},
  year={2026},
  url={https://huggingface.co/DriveFusion/DriveFusion-V0.2}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
DriveFusionForConditionalGeneration
Ревизия весов
68e128b

0 моделей