/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
16 июн 2026

nuscenes-full-reasoning-waypoints

Изображение и текст → текст

Модель Qwen3-VL, дообученная на nuScenes для рассуждения о дорожной сцене по изображениям и прогнозирования будущих путевых точек.

10скачиваний за 30 дней0лайковвеса обновлены16 июн 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

stanfordasl/nuscenes-full-reasoning-waypoints — модель Stanford Autonomous Systems Lab из коллекции RnB-EnCoRe-SelfDriving. Это Qwen3-VL-4B-Instruct, дообученная на данных вождения nuScenes для анализа дорожной сцены по наблюдениям нескольких камер и предсказания будущей траектории. Модель принимает изображения или видео и текст, а выдаёт текстовое рассуждение о сцене и прогнозные путевые точки.

Архитектура — плотная Qwen3-VL с 36 слоями и скрытым размером 2560; обучение проводилось на наборе вопросов и ответов о вождении с целями, включающими рассуждение и траекторию. Контекст обучения ограничен 6144 токенами. Модель предназначена для экспериментов по восприятию и планированию автономного вождения на nuScenes. Распространяется по лицензии Apache-2.0.

Результаты могут быть неточными или небезопасными. Модель не предназначена для установки в реальные автомобили или применения в критически важных системах; перед дальнейшим использованием результаты следует проверять в симуляции.

Сценарии применения

  • анализ дорожной сцены по кадрам с нескольких камер
  • прогнозирование будущей траектории автомобиля в виде путевых точек
  • эксперименты с планированием движения автономного автомобиля
  • оценка моделей рассуждения для автономного вождения на данных nuScenes

Ограничения

Модель может выдавать неточные или небезопасные результаты и не предназначена для реальных автомобилей или систем, критичных к безопасности. Перед использованием результатов требуется проверка в симуляции.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nuScenes RnB-EnCoRe — Full Reasoning + Waypoints

Part of the RnB-EnCoRe-SelfDriving collection from the Stanford Autonomous Systems Lab.

This is a Qwen3-VL-4B vision-language model fine-tuned on nuScenes driving data to produce a full natural-language reasoning trace followed by a future waypoint trajectory from multi-camera observations.

Related models in the collection:

Model details

  • Base model: Qwen/Qwen3-VL-4B-Instruct (Qwen3VLForConditionalGeneration)
  • Architecture: hidden size 2560, 36 layers
  • Modality: image/video + text → text
  • Task: full driving-scene reasoning + future trajectory (waypoint) prediction on nuScenes
  • Output: full chain-of-thought driving rationale followed by predicted waypoints

Training

  • Fine-tuned on a nuScenes full-trace VQA-driver dataset (full reasoning + trajectory targets)
  • Epochs: 30 (10,980 optimizer steps)
  • Max sequence length: 6144
  • Learning rate: 5e-5

Usage

For dataset preparation, prompting, inference, and evaluation, follow the instructions in the project repository: https://github.com/rnb-encore/RnB-EnCoRe-SelfDriving

from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "stanfordasl/nuscenes-full-reasoning-waypoints"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, torch_dtype="auto", device_map="auto")

# Build a chat message with the driving camera image(s) + prompt,
# then processor.apply_chat_template(...) and model.generate(...).
# See the GitHub repo for the exact prompt format and post-processing.

Intended use & limitations

This model is a research artifact for autonomous-driving perception and planning experiments. It was trained on nuScenes and is not intended for deployment in real vehicles or safety-critical settings. Outputs may be inaccurate or unsafe; always validate in simulation before any downstream use.

Citation

If you use this model, please cite the RnB-EnCoRe self-driving work:

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
bda58ce

0 моделей