/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
26 июл 2026

Qwen3-VL-2B-NuScenes-DrivingQA

Изображение и текст → текст3 профессии

Мультимодальная модель для ответов на вопросы о дорожных сценах и рассуждений о траекториях по изображениям с фронтальной камеры.

13скачиваний за 30 дней0лайковвеса обновлены26 июл 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

HqH1111 выпустил мультимодальную модель Qwen3-VL-2B-NuScenes-DrivingQA для визуальных вопросов и ответов о дорожной сцене по изображению с фронтальной камеры. Это дообученная и объединённая с LoRA версия Qwen/Qwen3-VL-2B-Instruct: используется архитектура Qwen3-VL, а для обучения были заморожены веса визуального энкодера и настроены LLM и aligner.

Модель предназначена для задач автономного вождения на данных nuScenes: распознавания наличия и количества объектов, их состояния и положения, а также рассуждений о контрфактических сценариях — например, что произойдёт при движении по заданной траектории. В README приведены результаты тестирования на NuScenes-QA и контрфактических вопросах, а также оценки сохранения общих визуальных возможностей.

Репозиторий содержит веса в формате safetensors; модель загружается через Transformers и AutoProcessor. Лицензия репозитория — Apache-2.0, однако README ограничивает использование некоммерческими исследованиями в соответствии с условиями nuScenes и OmniDrive. Обучение только на данных вождения без повторного обучения на общих данных может ограничивать качество на задачах вне этой области.

Сценарии применения

  • подсчёт и локализация объектов на дороге
  • определение состояния участников дорожного движения
  • ответы на вопросы о сцене с фронтальной камеры
  • оценка последствий движения по заданной траектории
  • визуальные вопросы и ответы на данных автономного вождения

Ограничения

Модель обучалась только на данных вождения без повторного обучения на общих данных, поэтому её качество за пределами дорожных сценариев может быть ограничено. Использование для некоммерческих исследований связано с условиями nuScenes и OmniDrive.

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

Qwen3-VL-2B — nuScenes Driving QA + Counterfactual (LoRA, merged)

LoRA adaptation of Qwen3-VL-2B-Instruct for front-camera driving visual question answering on nuScenes, combining NuScenes-QA (perception: existence / count / status / position) and OmniDrive reasoning + counterfactual QA ("if you follow trajectory X, what happens?"). Vision encoder frozen; LoRA on the LLM + aligner, then merged into a standalone checkpoint. Trained on driving data only (no general-domain replay).

Results (front camera, greedy decoding, vs stock Qwen3-VL-2B)

TaskStock 2BThis modelΔ
NuScenes-QA (exact-match, n=2000)27.55%52.10%+24.5
Counterfactual (reason-hit)50.3%58.7%+8.4

General-ability retention: MMStar 43.2→44.8, AI2D 72.2→73.2, ScienceQA 74.4→80.0, ChartQA 80.4→76.8, RealWorldQA 68.2→63.2 (largely preserved; several improve).

Usage

from transformers import AutoModelForImageTextToText, AutoProcessor
m = AutoModelForImageTextToText.from_pretrained("HqH1111/Qwen3-VL-2B-NuScenes-DrivingQA", torch_dtype="auto", device_map="auto")
p = AutoProcessor.from_pretrained("HqH1111/Qwen3-VL-2B-NuScenes-DrivingQA")

Training: Qwen3-VL-2B-Instruct · ViT frozen · LoRA r64/α128 (all-linear) · bf16 · 3×A100 · ms-swift · 50k samples (NuScenes-QA 28k + OmniDrive 22k) · 2 epochs. Non-commercial research use (nuScenes / OmniDrive terms).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
2688636

0 моделей