AI 摘要
快速了解本文
01
阿里千问开源首个面向自动驾驶的视觉语言基础模型 Qwen-Drive-1.0-4B。
02
模型统一了 3D 感知、视觉问答与运动规划能力，保留预训练 VLM 原始架构。
03
采用分阶段训练策略，提供 SFT 与 RL 两个规划专家以覆盖不同能力侧重。
04
模型已在 GitHub、Hugging Face 与 ModelScope 同步开源。
本摘要由 AI 辅助整理，请以正文内容为准。
数智朋克讯 阿里千问本周开源了 Qwen-Drive-1.0-4B。官方将其定义为“首个面向自动驾驶的视觉语言基础模型”，该模型基于 Qwen3.5-4B 构建，面向自动驾驶任务链，统一了 3D 感知、视觉问答与运动规划能力，并完全保留了预训练 VLM 的原始架构。
在训练方案上，Qwen-Drive-1.0 采用分阶段策略，将驾驶监督数据与通用视觉语言数据结合，使模型在获得驾驶特定能力的同时，保留通用视觉理解与指令遵循能力。在运动规划阶段，模型同时提供 SFT 与 RL 两个规划专家，以覆盖不同的训练策略与能力侧重。
官方评测覆盖 3D 感知、驾驶场景理解、通用视觉语言能力，以及开环、伪闭环和闭环运动规划。规划样本仅使用公开来源构建，并统一了各数据集的轨迹格式，实现从开环预测到闭环驾驶的完整评估。结果显示，SFT 版本在所有基准上已具备竞争力；经过强化学习后，模型以微小的开环位移误差为代价，在人类偏好对齐与闭环安全性方面获得全面提升。
目前，Qwen-Drive-1.0-4B 已在 GitHub、Hugging Face 与 ModelScope 同步开源。