/ 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-rnbencore-reasoning-waypoints

Изображение и текст → текст

Модель на основе Qwen3-VL анализирует дорожные наблюдения nuScenes, объясняет ситуацию на естественном языке и предсказывает будущие waypoint-точки.

15скачиваний 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

nuScenes RnB-EnCoRe Reasoning + Waypoints (Iteration 1) — мультимодальная модель лаборатории Stanford Autonomous Systems Lab для экспериментов с восприятием и планированием движения в автономном вождении. Это дообученная Qwen3-VL-4B-Instruct с архитектурой Qwen3VLForConditionalGeneration: она принимает изображения или видео с текстовым запросом и формирует текстовое обоснование дорожной ситуации вместе с прогнозом будущей траектории в виде waypoint-точек.

Модель обучена на наборе данных nuScenes VQA-driver с целями, объединяющими рассуждение о вождении и предсказание траектории. В карточке указаны 30 эпох обучения, 5 490 шагов оптимизатора и максимальная длина последовательности 6 144 токена. Модель предназначена для исследовательских экспериментов с дорожными сценами и планированием; её выводы могут быть неточными или небезопасными, поэтому она не предназначена для применения в реальных автомобилях или критически важных системах. Лицензия — Apache-2.0.

Сценарии применения

  • объяснение дорожной ситуации по изображениям с камер автомобиля
  • предсказание будущих waypoint-точек по дорожным наблюдениям
  • эксперименты с совместным рассуждением и планированием автономного вождения

Ограничения

Модель обучена на nuScenes и может выдавать неточные или небезопасные результаты; она не предназначена для реальных автомобилей и систем, критичных к безопасности. Проверяйте результаты в симуляции перед дальнейшим использованием.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nuScenes RnB-EnCoRe — Reasoning + Waypoints (Iteration 1)

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 jointly produce natural-language driving reasoning and a future waypoint trajectory from multi-camera observations. It corresponds to iteration 1 of the RnB-EnCoRe self-driving pipeline.

For a waypoints-only variant (no intermediate reasoning), see stanfordasl/nuscenes-waypoints-model.

Model details

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

Training

  • Fine-tuned on a nuScenes VQA-driver dataset (reasoning + trajectory targets)
  • Epochs: 30 (5,490 optimizer steps)
  • Max sequence length: 6144
  • Learning rate: 6e-5
  • Dropout: 0.5

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-rnbencore-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
d21455f

0 моделей