/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
1 июл 2025

DriveFusionQA

Изображение и текст → текст3 профессии

DriveFusionQA — дообученная на дорожных данных визуально-языковая модель для анализа сцен вождения и объяснения решений автомобиля.

479скачиваний за 30 дней0лайковвеса обновлены10 фев 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

DriveFusionQA — специализированная визуально-языковая модель DriveFusion для понимания дорожных сцен и объяснения решений при вождении. Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct и содержит около 3,1 млрд параметров; модель поддерживает диалог и принимает изображения вместе с текстовыми запросами, формируя ответы на естественном языке. Контекст составляет до 128 000 токенов.

Модель предназначена для анализа участников движения, дорожных знаков и опасностей, а также для объяснения причин манёвров, например торможения перед пешеходом. Её можно применять для разбора видео с видеорегистратора по кадрам, анализа дорожных происшествий, обучения и симуляции автономного вождения, а также интерактивных вопросов о безопасности на дороге. В обучении использовались материалы LingoQA, DriveGPT4, BDD-X и DriveLM.

Модель может ошибаться при распознавании удалённых объектов и сложных социальных ситуаций на дороге; качество может зависеть от региона и погодных условий, представленных в обучающих данных. Она предназначена для рассуждений и объяснений, а не для непосредственного управления автомобилем. Лицензия — Apache-2.0.

Сценарии применения

  • описание участников движения и дорожных знаков по изображению
  • выявление опасностей и потенциальных дорожных происшествий
  • объяснение причин торможения и других манёвров
  • анализ кадров с видеорегистратора для отчётов о дорожной безопасности
  • вопросы и ответы о дорожной сцене в диалоговом режиме
  • подготовка объяснений для обучения и симуляции автономного вождения

Ограничения

Модель может неверно интерпретировать удалённые объекты и сложные социальные ситуации на дороге; качество может снижаться для регионов и погодных условий, слабо представленных в обучающих данных. Она не предназначена для непосредственного управления автомобилем.

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

DriveFusionQA

Model License Base Model Status


🚙 Model Description

DriveFusionQA is a specialized Vision-Language Model (VLM) fine-tuned to interpret complex driving scenes and explain vehicle decision-making. Built on the Qwen2.5-VL architecture, it bridges the gap between raw sensor data and human-understandable reasoning.

Unlike general-purpose models, DriveFusionQA is specifically optimized to answer the "why" behind driving maneuvers, making it an essential tool for safety analysis, simulation, and interactive driving support.

🔗 GitHub Repository

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

Core Capabilities

  • Scenario Explanation: Identifies traffic participants, road signs, and environmental hazards.
  • Decision Reasoning: Justifies driving actions (e.g., "Braking due to a pedestrian entering the crosswalk").
  • Multi-Dataset Expertise: Leverages a unified pipeline of world-class driving benchmarks.
  • Interactive Dialogue: Supports multi-turn conversations regarding road safety and navigation.

📊 Model Performance

DriveFusionQA demonstrates significant improvements over the base model across all key driving-related language metrics. The substantial increase in Lingo-Judge scores reflects its superior ability to generate human-aligned driving reasoning.

ModelLingo-JudgeMETEORCIDErBLEU
DriveFusion QA53.20.33270.16020.0853
Qwen2.5-VL Base38.10.25770.10240.0259

📚 Training & Data

The model was trained using the DriveFusion Data Preprocessing pipeline, which standardizes diverse autonomous driving datasets into a unified format.

Key Datasets Included:

  • LingoQA: Action-focused scenery and decision components.
  • DriveGPT4 + BDD-X: Human-like driving explanations and logic.
  • DriveLM: Graph-based reasoning for autonomous driving.

🚀 Quick Start

Ensure you have the latest transformers library installed to support the Qwen2.5-VL architecture.

Installation

pip install transformers accelerate pillow torch

Inference Example

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from PIL import Image
import torch

model_id = "DriveFusion/DriveFusionQA"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_id, torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

# Load driving scene
image = Image.open("driving_sample.jpg")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "Describe the current driving scenario and any potential risks."},
        ],
    }
]

# Generate Response
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=[image], return_tensors="pt").to("cuda")

output_ids = model.generate(**inputs, max_new_tokens=256)
response = processor.batch_decode(output_ids, skip_special_tokens=True)
print(response[0])

🛠 Intended Use

  • Safety Analysis: Generating natural language reports for dashcam footage and near-miss events.
  • Training & Simulation: Providing ground-truth explanations for AI driver training.
  • Interactive Assistants: Assisting human operators or passengers with scene descriptions.

⚠️ Limitations

  • Hallucination: Like all VLMs, it may occasionally misinterpret distant objects or complex social traffic cues.
  • Geographical Bias: Performance may vary in regions or weather conditions not heavily represented in the training data.
  • Non-Control: This model is for reasoning and explanation, not for direct vehicle control.

Citation

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

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
50bee97

0 моделей