Inicio Proyectos OpenDWM
OpenDWM
Python

OpenDWM

Un repositorio de código de código abierto de modelos del mundo de conducción, con herramientas de entrenamiento, inferencia, evaluación y puntos de control preentrenados.

por SenseTime-FVG · GitHub
Estrellas
Ramas
Licencia
Creado
Último commit
Lenguaje
autonomous-drivingdiffusion-modelsvideo-generationMITPython
Ver en GitHub
En palabras simples

Crea videos de coches autónomos en varios entornos utilizando modelos de mundo de conducción.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
OpenDWM — GitHub preview card
📈 Historial de estrellas
406405
2026-07-202026-08-31
📈 Sigue OpenDWM

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Un repositorio de código de código abierto de modelos del mundo de conducción, con herramientas de entrenamiento, inferencia, evaluación y puntos de control preentrenados.

OpenDWM tiene 405 estrellas en GitHub. Se ha bifurcado 46 veces. OpenDWM está escrito principalmente en Python. Se desarrolla activamente desde 2025. OpenDWM está disponible bajo la licencia MIT. Sus temas principales son: autonomous-driving, diffusion-models, video-generation, world-models.

Frequently asked questions

¿Qué es OpenDWM?

Un repositorio de código de código abierto de modelos del mundo de conducción, con herramientas de entrenamiento, inferencia, evaluación y puntos de control preentrenados.

¿OpenDWM es de código abierto?

OpenDWM es un proyecto de código abierto. Se distribuye bajo la licencia MIT.

¿OpenDWM es gratis?

Sí. OpenDWM es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está OpenDWM?

OpenDWM está disponible bajo la licencia MIT.

¿En qué lenguaje está escrito OpenDWM?

OpenDWM está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — OpenDWM

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=sensetime-fvg-opendwm)](https://olud.ai/project/sensetime-fvg-opendwm.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
Epona
Código Oficial para Epona: Modelo de Mundo de Difusión Autoregresiva para Conducción Autónoma (…
370 · autonomous-driving
comparteworld-modelsvideo-generation
MagicDrive-V2
[ICCV 2025] Implementación oficial del artículo “MagicDrive-V2: Generación de Video Largo de Al…
716 · autonomous-driving
compartevideo-generationautonomous-driving
MimicMotion
Generación de Video de Movimiento Humano de Alta Calidad con Guía de Pose Consciente de Confian…
2.6k · diffusion-models
compartevideo-generationdiffusion-models
PVDM
[CVPR'23] Modelos de Difusión Probabilística de Video en Espacio Latente Proyectado
322 · diffusion-models
compartevideo-generationdiffusion-models
World-Models-Autonomous-Driving-Survey
Una lista curada de modelos del mundo para conducción autónoma.
524 · autonomous-driving
comparteworld-modelsautonomous-driving
Vista
[NeurIPS 2024] Un Modelo Mundial Generalizable para Conducción Autónoma
889 · autonomous-driving
compartevideo-generationautonomous-driving
Cosmos-Drive-Dreams
Cosmos-Drive-Dreams: Generación Escalable de Datos de Conducción Sintética con Modelos de Funda…
509 · autonomous-driving
compartevideo-generationautonomous-driving
Awesome-Video-World-Models-with-AR-Diffusion
Una Lista Curada de Modelos de Mundo de Video Asombrosos con Difusión AR: Cubriendo Algoritmos,…
698 · ar-diffusion
comparteworld-modelsvideo-generation
Pyramid-Flow
[ICLR 2025] Coincidencia de Flujo Piramidal para Modelado Generativo de Video Eficiente
3.2k · diffusion-models
compartevideo-generationdiffusion-models
HunyuanVideo
HunyuanVideo: Un Marco Sistemático Para Modelos de Generación de Video Grandes
12.3k · diffusion-models
compartevideo-generationdiffusion-models

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.