/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
18 июл 2026

DriveMA-2B

Изображение и текст → текст3 профессии

DriveMA-2B — дообученная мультимодальная модель Qwen3.5 для планирования движения автономного автомобиля по изображениям с нескольких камер и состоянию машины.

124скачиваний за 30 дней2лайкавеса обновлены18 июл 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

DriveMA-2B — мультимодальная модель для планирования движения в автономном вождении, разработанная как официальный чекпойнт к исследованию DriveMA. Она дообучена на базе Qwen/Qwen3.5-2B в три этапа: предварительное обучение на действиях, обучение генерации траекторий с учётом действий и обучение с подкреплением на уровне диалога. Модель принимает многовидовые наблюдения и состояние автомобиля: сначала генерирует компактное интерпретируемое метадействие, затем — будущие путевые точки с учётом этого действия.

Модель построена на плотной архитектуре Qwen3.5 с 2 млрд параметров, поддерживает изображения и текст и загружается через Transformers с процессором Qwen3.5-2B. Для воспроизведения сценария планирования нужны предусмотренные проектом шаблоны запросов, формат входных данных и скрипты инференса. В статье приведены результаты оценки на бенчмарке планирования Waymo Open Dataset. Модель предназначена для исследований и не проверена для управления реальными автомобилями или применения в системах, критичных к безопасности. Лицензия — Apache-2.0.

Сценарии применения

  • планирование траектории автомобиля по многокамерным изображениям
  • генерация путевых точек движения с учётом состояния автомобиля
  • предсказание интерпретируемых метадействий для сценариев вождения
  • исследования моделей vision-language-action для автономного вождения
  • оценка планирования движения на бенчмарке Waymo Open Dataset

Ограничения

Модель не валидирована для систем, критичных к безопасности, и не должна управлять реальным автомобилем без независимой проверки и системных мер защиты. Для воспроизведения планирования требуются специальные входные данные, шаблоны запросов и скрипты проекта; исходные изображения и видео нужно получать отдельно с соблюдением их лицензий.

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

DriveMA-2B

DriveMA-2B is the official 2B checkpoint accompanying DriveMA: Driving Vision-Language-Action Models with Verifiable Meta-Actions. It is fine-tuned from Qwen3.5-2B using the DriveMA three-stage pipeline: action-centric pretraining, action-conditioned trajectory supervised fine-tuning, and turn-level reinforcement learning.

DriveMA formulates driving planning as a two-turn generation process. The first turn predicts a compact, interpretable meta-action from multi-view observations and vehicle state. The second turn generates future waypoints conditioned on that meta-action.

Resources

Loading

DriveMA-2B uses the same model architecture, processor, and standard loading interface as Qwen3.5-2B:

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "zwc2003/DriveMA-2B"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
)

For general multimodal inference, follow the Qwen3.5-2B usage instructions. To reproduce the model's driving-planning behavior, start from the official DriveMA repository and use its inference scripts and prompt templates, which implement the expected multi-view inputs, vehicle-state fields, two-turn interaction, and output format.

Results

On the Waymo Open Dataset vision-based end-to-end planning benchmark, the paper reports the following results for DriveMA-2B:

RFS Overall ↑RFS Spotlight ↑ADE@5s ↓ADE@3s ↓
8.0607.2512.6161.154

See the paper and code repository for the full evaluation protocol, comparisons, and ablations.

Intended Use and Limitations

DriveMA-2B is intended for research on vision-language-action modeling and end-to-end autonomous-driving planning. The released dataset repository contains annotations; users must obtain the corresponding source image/video assets under their original licenses and update local paths as described in the code repository.

This model is not validated for deployment in safety-critical systems and should not be used to control a real vehicle without independent safety validation, system-level safeguards, and compliance with applicable laws and regulations.

Citation

@article{zheng2026drivema,
  title={DriveMA: Driving Vision-Language-Action Models with Verifiable Meta-Actions},
  author={Zheng, Weicheng and Huang, Yixin and Sun, Qiao and Li, Derun and Zhao, Hang},
  journal={arXiv preprint arXiv:2605.31271},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
d5f4905

0 моделей