/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen-Drive-1.0-4B
Библиотека
timm
Опубликована
17 сен 2026

qwen3_vit_306m_enc.qwen_drive_1_0_4b

Эмбеддинги изображенийИзображение → embedding3 профессии

Энкодер изображений Qwen-Drive в формате timm извлекает пространственные признаки и токены для компьютерного зрения и мультимодальных систем.

108скачиваний за 30 дней0лайковвеса обновлены17 сен 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

Это модель извлечения признаков изображений на базе визуального энкодера Qwen-Drive-1.0-4B, преобразованного для библиотеки timm. Она предназначена для получения пространственных признаков и токенов изображений, которые можно использовать в системах компьютерного зрения и мультимодальных конвейерах. Модель содержит энкодер Qwen ViT со spatial merger и проекцией признаков на ширину исходной языковой модели, но не включает веса языковой модели или обученную классификационную голову.

Чекпойнт содержит 332,7 млн параметров; ширина backbone — 1024, ширина проекции — 2560, исходный размер изображения — 768 × 768. Поддерживаются изображения разных пропорций; входные размеры должны делиться на 16, а для вариантов с объединением 2 × 2 — на 32. Реализация рассчитана на изображения: временные веса исходного Conv3d объединены в Conv2d. Используются абсолютные позиционные эмбеддинги с интерполяцией и осевой 2D RoPE. Лицензия — Apache 2.0.

Сценарии применения

  • извлечение признаков из изображений для последующей обработки
  • получение пространственных токенов изображений для мультимодальной модели
  • подготовка визуальных признаков для систем понимания дорожных сцен
  • построение конвейера компьютерного зрения на базе timm

Ограничения

Модель не содержит весов языковой модели и обученной классификационной головы. Размеры входного изображения должны делиться на 16, а для варианта с merger 2 × 2 — на 32.

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

Model card for qwen3_vit_306m_enc.qwen_drive_1_0_4b

A Qwen ViT image feature model extracted from Qwen-Drive-1.0-4B. This is the native vision encoder, including the spatial merger and projection to the source LLM width.

NOTE: This checkpoint is a native timm remap of the original vision weights, with no additional training. It contains no language-model weights or trained image-classification head.

Model Notes

  • Image inputs repeat one frame across the original temporal patch kernel. The temporal Conv3d weights are summed into a Conv2d for this image-only implementation.
  • The backbone uses GELU-tanh MLPs, learned absolute positions and axial 2D RoPE. Absolute positions are interpolated for the input grid; RoPE is regenerated at each size.
  • The timm transforms normalize RGB pixels using mean=(0.5, 0.5, 0.5) and std=(0.5, 0.5, 0.5). Rectangular inputs are supported. Each image dimension must be divisible by 16; any variant using the 2×2 merger requires divisibility by 32.
  • forward_features() returns raw, unnormalized NHWC backbone features. The _enc variant returns spatially merged tokens from forward(); the classifier variant returns pooled image embeddings until a classification head is added.

Model Details

Model Usage

Image Features

import torch
import timm
from PIL import Image

model = timm.create_model('hf-hub:timm/qwen3_vit_306m_enc.qwen_drive_1_0_4b', pretrained=True).eval()
data_config = timm.data.resolve_model_data_config(model)
transform = timm.data.create_transform(**data_config, is_training=False)
image = Image.open('image.jpg').convert('RGB')
x = transform(image).unsqueeze(0)

with torch.inference_mode():
    output = model(x)  # (1, 576, 2560): projected spatial tokens
    features = model.forward_features(x)  # (1, 48, 48, 1024): raw backbone features (NHWC)

Intermediate Feature Maps

with torch.inference_mode():
    maps = model.forward_intermediates(
        x, indices=3, output_fmt='NCHW', intermediates_only=True,
    )
for feature_map in maps:
    print(feature_map.shape)  # (1, 1024, 48, 48)

Citation

@misc{zhou2026qwendrive10initialstepvisionlanguage,
  title={Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving},
  author={Xin Zhou and Zongchuang Zhao and Zhibo Yang and Mingsheng Li and Humen Zhong and Shuai Bai and Du Chu and Ruizhe Chen and Zhaohai Li and Jun Tang and Qiuyue Wang and Mingkun Yang and Jiazhao Zhang and Dayiheng Liu and Dingkang Liang and Xiang Bai},
  year={2026},
  eprint={2609.00111},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2609.00111}
}
@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
e1e1ab9

0 моделей