/ Модель

Характеристики

Контекст
8 192 токена
Размер весов
16,2 ГБ
Лицензия
Apache 2.0
Архитектура
internvl_chat · dense
Базовая модель
InternVL2_5-8B
Библиотека
transformers
Опубликована
11 мар 2025

DriveLMMo1

Генерация текстаТекст → текст3 профессии

Мультимодальная модель для анализа дорожных сцен по изображениям с нескольких ракурсов и рассуждений о рисках, правилах и планировании в автономном вождении.

325скачиваний за 30 дней7лайковвеса обновлены17 мар 2025

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

DriveLMM-o1 — мультимодальная модель для рассуждений в сценариях автономного вождения, созданная дообучением InternVL2.5-8B с помощью LoRA. Она принимает изображения дорожной сцены с нескольких ракурсов, объединённые для совместного анализа, и текстовые запросы, а в ответ формирует текст с пошаговыми рассуждениями и итоговой оценкой ситуации.

Модель предназначена для анализа дорожной обстановки, оценки рисков, понимания объектов и сцен, проверки соблюдения правил и поддержки прогнозирования и планирования. В README заявлены улучшения точности ответов и качества рассуждений по сравнению с рядом открытых моделей; численные результаты относятся к указанным в карточке тестам. Модель основана на плотной архитектуре InternVLChatModel и рассчитана на английский язык. Доступна по лицензии Apache-2.0.

Качество и применимость могут зависеть от дорожной среды: карточка рекомендует дополнительную адаптацию для других условий вождения. Модель специализирована на автономном вождении, поэтому её результаты не следует автоматически переносить на несвязанные задачи.

Сценарии применения

  • оценка рисков по изображениям дорожной сцены
  • проверка соблюдения правил дорожного движения
  • распознавание объектов и понимание дорожной обстановки
  • объяснение решений автономного автомобиля пошаговым текстом
  • поддержка прогнозирования и планирования манёвров

Ограничения

Модель настроена на специализированные задачи автономного вождения; для других дорожных сред может потребоваться дополнительное дообучение или адаптация. Заявленные сравнительные результаты приведены для тестов из карточки и не гарантируют качество в иных 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

DriveLMM-o1: A Large Multimodal Model for Autonomous Driving Reasoning

Paper

DriveLMM-o1 is a fine-tuned large multimodal model designed for autonomous driving. Built on InternVL2.5-8B with LoRA-based adaptation, it leverages stitched multiview images to produce step-by-step reasoning. This structured approach enhances both final decision accuracy and interpretability in complex driving tasks like perception, prediction, and planning.

Key Features:

  • Multimodal Integration: Combines multiview images for comprehensive scene understanding.
  • Step-by-Step Reasoning: Produces detailed intermediate reasoning steps to explain decisions.
  • Efficient Adaptation: Utilizes dynamic image patching and LoRA finetuning for high-resolution inputs with minimal extra parameters.
  • Performance Gains: Achieves significant improvements in both final answer accuracy and overall reasoning scores compared to previous open-source models.

Performance Comparison:

ModelRisk Assessment AccuracyTraffic Rule AdherenceScene Awareness & Object UnderstandingRelevanceMissing DetailsOverall Reasoning ScoreFinal Answer Accuracy
GPT-4o (Closed)71.3280.7272.9676.6571.4372.5257.84
Qwen-2.5-VL-7B46.4460.4551.0250.1552.1951.7737.81
Ovis1.5-Gemma2-9B51.3466.3654.7455.7255.7455.6248.85
Mulberry-7B51.8963.6656.6857.2757.4557.6552.86
LLaVA-CoT57.6269.0160.8462.7260.6761.4149.27
LlamaV-o160.2073.5262.6764.6663.4163.1350.02
InternVL2.5-8B69.0278.4371.5275.8070.5471.6254.87
DriveLMM-o1 (Ours)73.0181.5675.3979.4274.4975.2462.36

Usage:

Load the model using the following code snippet:

from transformers import AutoModel, AutoTokenizer
import torch

path = 'ayeshaishaq/DriveLMMo1'
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True
).eval().cuda()

tokenizer = AutoTokenizer.from_pretrained(
    path,
    trust_remote_code=True,
    use_fast=False
)

For detailed usage instructions and additional configurations, please refer to the OpenGVLab/InternVL2_5-8B repository.

Code: https://github.com/ayesha-ishaq/DriveLMM-o1

Limitations: While DriveLMM-o1 demonstrates strong performance in autonomous driving tasks, it is fine-tuned for domain-specific reasoning. Users may need to further fine-tune or adapt the model for different driving environments.

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
InternVLChatModel
Ревизия весов
b3a76fe

0 моделей