/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
16,3 ГБ
Лицензия
Apache 2.0
Архитектура
fast_d_drive · dense
Библиотека
transformers
Опубликована
30 мая 2026

Fast-dDrive

Генерация текстаТекст → текст3 профессии

Fast-dDrive — модель Vision-Language-Action на базе Qwen2.5-VL-3B для сквозного автономного вождения и предсказания траекторий по визуальному контексту.

145скачиваний за 30 дней4лайкавеса обновлены30 мая 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

Fast-dDrive — модель Vision-Language-Action для сквозного автономного вождения, разработанная Efficient Large Model на основе Qwen2.5-VL-3B. Это плотная модель на 3,1 млрд параметров с блоковой диффузионной генерацией; она принимает изображения и текст и формирует текстовые выходы, используемые в сценариях управления движением. Для обработки доступны контекст до 128 000 токенов и чатовый интерфейс.

Модель предназначена для автономного вождения и оценки траекторий по данным камер и контексту сцены. В README описаны структурированное обучение с учётом секций (SASD), спекулятивное декодирование Scaffold Spec и опциональное масштабирование вывода по нескольким траекториям. На тестовом наборе Waymo Open Dataset End-to-End Driving авторы сообщают качество RFS 7,823 и скорость 210,4 токена в секунду на одной H100 для Scaffold Spec; это результаты авторской оценки, а не гарантия для других условий.

Модель опубликована в формате Safetensors и рассчитана на использование через Transformers. Лицензия — Apache-2.0. Карточка не описывает полную схему преобразования сгенерированных выходов в команды автомобиля, поэтому для реального управления потребуется совместимая система исполнения и отдельная проверка безопасности.

Сценарии применения

  • оценка траектории автомобиля по кадрам дорожной сцены
  • сквозное автономное вождение на данных камер
  • сравнение вариантов декодирования траекторий
  • эксперименты с предсказанием движения на наборе Waymo Open Dataset

Ограничения

Заявленные метрики и скорость получены авторами на Waymo Open Dataset и оборудовании H100; их нельзя напрямую переносить на другие данные и аппаратные конфигурации. Карточка не описывает полный механизм преобразования выходов модели в безопасные команды автомобиля.

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

Fast-dDrive

Fast-dDrive is a block-diffusion Vision-Language-Action (VLA) model for end-to-end autonomous driving, built on Qwen2.5-VL-3B. It pairs section-aware structured-diffusion training (SASD) with scaffold-aware speculative decoding (Scaffold Spec) and an optional shared-prefix multi-trajectory inference scaling scheme, and reaches SOTA accuracy on the Waymo Open Dataset End-to-End Driving (WOD-E2E) benchmark at over 200 tokens / second on a single H100.

Quick start

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

MODEL = "Efficient-Large-Model/Fast_dDrive_3B"   # or your local clone

processor = AutoProcessor.from_pretrained(MODEL, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    MODEL,
    trust_remote_code=True,
    dtype=torch.bfloat16,
).cuda().eval()

# Scaffold Spec (paper canonical, threshold = 0.0)
output_ids = model.scaffold_speculative_sample(
    input_ids=input_ids,
    attention_mask=attention_mask,
    pixel_values=pixel_values,
    image_grid_thw=image_grid_thw,
    confidence_threshold=0.0,
    block_size=32,
    max_new_tokens=512,
)

Inference paths

This release exposes three decoding paths as bound methods on the model:

MethodDescriptionThreshold
mdm_sample_deep_scaffoldSection Diffusion (SD) — iterative MDM denoising over a pre-filled JSON scaffold0.9
scaffold_speculative_sampleScaffold Spec (SS) — scaffold-aware self-speculative decoding (MDM draft + AR verify per block). Paper canonical.0.0
scaffold_spec_with_ss_multi_trajSS multi-rollout — shared-prefix N-rollout inference scaling on the trajectory section0.0

Important: scaffold_speculative_sample and its multi-traj variant must be run with confidence_threshold=0.0 to reproduce the paper numbers. Running at 0.9 silently degrades both ADE and throughput.

Headline results — WOD-E2E test set (single H100)

ModeRFS ↑ADE@3s ↓ADE@5s ↓TPS ↑Tok/Step ↑
Scaffold Spec7.8231.2542.907210.44.90
+ Inference scaling (N=4)7.8271.2402.821114.72.76

On the WOD-E2E val set, Scaffold Spec runs at 1919 ms / sample (4.1× over the AR baseline); fused with SGLang the same configuration drops to 665 ms / sample at 608.5 TPS — the 11.8× / 12× speedup over AR cited in the paper.

Files

  • modeling.py — model definition (Fast_dDriveForConditionalGeneration)
  • configuration.py — config classes
  • section_utils.py — scaffold construction + section-aligned block index utilities
  • generation_utils.py — the three inference paths, attached to the model class on import
  • config.json, generation_config.json, preprocessor_config.json, chat_template.jinja, tokenizer files — standard HF artifacts
  • model-0000{1..4}-of-00004.safetensors — model weights (4 shards)

Citation

@misc{zhang2026fastddriveefficientblockdiffusionvlm,
      title={Fast-dDrive: Efficient Block-Diffusion VLM for Autonomous Driving},
      author={Kewei Zhang and Jin Wang and Sensen Gao and Chengyue Wu and Yulong Cao and Songyang Han and Boris Ivanovic and Langechuan Liu and Marco Pavone and Song Han and Daquan Zhou and Enze Xie},
      year={2026},
      eprint={2605.23163},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2605.23163},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Fast_dDriveForConditionalGeneration
Ревизия весов
0fda810

0 моделей