/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
hermes
Опубликована
12 июл 2025

HERMES

Языковая модель3 профессии

HERMES объединяет понимание многокамерных дорожных сцен и генерацию их будущего состояния для исследований и разработки систем автономного вождения.

47скачиваний за 30 дней5лайковвеса обновлены28 июл 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

HERMES — унифицированная модель мира для автономного вождения, представленная авторами из Huazhong University of Science & Technology, MEGVII Technology, Mach Drive и The University of Hong Kong. Она объединяет понимание дорожной сцены и генерацию её будущего состояния в единой системе.

Модель использует представление Bird’s-Eye View (BEV), чтобы объединять пространственную информацию с нескольких видов камер и сохранять геометрические связи между объектами. LLM с причинным вниманием обогащает BEV-признаки контекстом через специальные world queries. Модель предназначена для анализа сцен вождения и предсказания их развития; её оценивали на nuScenes и OmniDrive-nuScenes. В README сообщается о снижении ошибки генерации на 32,4% и улучшении метрики CIDEr на 8,0% относительно сравниваемых подходов.

Код, предварительно обученные веса и обработанные данные опубликованы; репозиторий распространяется по лицензии Apache-2.0. Карточка описывает исследовательскую модель для сценариев автономного вождения, поэтому результаты на указанных наборах данных не гарантируют аналогичного качества в других условиях.

Сценарии применения

  • анализ дорожной сцены по нескольким камерам
  • объединение пространственной информации в BEV-представление
  • понимание объектов и взаимодействий в дорожной сцене
  • предсказание будущего состояния сцены вождения
  • генерация сцен для исследований автономного вождения

Ограничения

Оценка описана для наборов nuScenes и OmniDrive-nuScenes; переносимость результатов на другие данные и условия эксплуатации в карточке не установлена.

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

Xin Zhou1*, Dingkang Liang1*†, Sifan Tu1, Xiwu Chen3, Yikang Ding2†, Dingyuan Zhang1, Feiyang Tan3, Hengshuang Zhao4, Xiang Bai1

1 Huazhong University of Science & Technology, 2 MEGVII Technology, 3 Mach Drive, 4 The University of Hong Kong

(*) Equal contribution. (†) Project leader.

arXiv Project Code License

Check our awesome for the latest World Models! Awesome World Model Stars

📣 News

  • [2025.07.14] Code, pretrained weights, and used processed data are now open-sourced.
  • [2025.06.26] HERMES is accepted to ICCV 2025! 🥳
  • [2025.01.24] Release the demo. Check it out and give it a star 🌟!
  • [2025.01.24] Release the paper.

Abstract

Driving World Models (DWMs) have become essential for autonomous driving by enabling future scene prediction. However, existing DWMs are limited to scene generation and fail to incorporate scene understanding, which involves interpreting and reasoning about the driving environment. In this paper, we present a unified Driving World Model named HERMES. Through a unified framework, we seamlessly integrate scene understanding and future scene evolution (generation) in driving scenarios. Specifically, HERMES leverages a Bird's-Eye View (BEV) representation to consolidate multi-view spatial information while preserving geometric relationships and interactions. Additionally, we introduce world queries, which incorporate world knowledge into BEV features via causal attention in the Large Language Model (LLM), enabling contextual enrichment for both understanding and generation tasks. We conduct comprehensive studies on nuScenes and OmniDrive-nuScenes datasets to validate the effectiveness of our method. HERMES achieves state-of-the-art performance, reducing generation error by 32.4% and improving understanding metrics such as CIDEr by 8.0%.

Overview

Demo

Main Results

Acknowledgement

This project is based on BEVFormer v2 (code), InternVL (code), UniPAD (code), OminiDrive (code), DriveMonkey (code). Thanks for their wonderful works.

Citation

If you find this repository useful in your research, please consider giving a star ⭐ and a citation.

@inproceedings{zhou2025hermes,
  title={HERMES: A Unified Self-Driving World Model for Simultaneous 3D Scene Understanding and Generation},
  author={Zhou, Xin and Liang, Dingkang and Tu, Sifan and Chen, Xiwu and Ding, Yikang and Zhang, Dingyuan and Tan, Feiyang and Zhao, Hengshuang and Bai, Xiang},
  booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · hermes

Нельзя запустить

3D-генерация пока не поддерживается.

Ревизия весов
fd2d304

0 моделей