RespuestasPublicado18 fuentes
Qwen-Drive-1.0-4B: un VLM abierto y modular para investigar conducción autónoma
Qwen Drive 1.0 4B es un modelo de visión y lenguaje de 4.000 millones de parámetros, con pesos abiertos bajo licencia Apache 2.0 y basado en Qwen3.5 4B. Su diseño mantiene una base multimodal compartida y añade módulos externos para percepción BEV y planificación; ofrece planificación supervisada, optimizada con rec...
Publicado porEditado con GPT-5.6 TerraImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Qwen Drive 1.0 4B es un modelo de visión y lenguaje de 4.000 millones de parámetros, con pesos abiertos bajo licencia Apache 2.0 y basado en Qwen3.5 4B.
- Su diseño mantiene una base multimodal compartida y añade módulos externos para percepción BEV y planificación; ofrece planificación supervisada, optimizada con recompensas, directa y condicionada por razonamiento.
- Los pesos están en Hugging Face y el repositorio público de GitHub incluye código de inferencia, documentación, datos de demostración y herramientas de evaluación.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Alibaba Qwen’s Qwen-Drive-1.0-4B, released on September 8, 2026, and how does its Apache 2.0 open-source design combine the unchange. Article summary: Qwen-Drive-1.0-4B is Qwen’s Apache-2.0 open-weight, 4B-parameter vision-language driving model, developed with Huazhong University of Science and Technology. It keeps Qwen3.5-4B’s multimodal VLM architecture intact and a. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
Qwen-Drive-1.0-4B es un modelo de visión y lenguaje (VLM, por sus siglas en inglés) de Qwen, el equipo de Alibaba, orientado a la investigación en conducción autónoma y desarrollado junto con la Universidad de Ciencia y Tecnología de Huazhong. Sus pesos y el software asociado se publican bajo licencia Apache 2.0. 10
11
15
La propuesta no convierte el modelo multimodal Qwen3.5-4B en una pila de conducción de extremo a extremo difícil de inspeccionar. En su lugar, conserva esa base compartida y conecta módulos externos para percepción en vista cenital —BEV, bird's-eye view— y planificación de movimiento.
Una base compartida y dos módulos conectables
El Qwen3.5-4B compartido procesa imágenes y lenguaje. Puede responder preguntas visuales, incluidas preguntas sobre escenas de tráfico, y genera las representaciones que aprovechan los componentes adicionales. Según Qwen, el objetivo es incorporar capacidades de conducción sin sustituir la arquitectura multimodal general del modelo base. 10
11
Sobre esa base se añaden dos módulos externos:
- Cabezal de percepción BEV: un cabezal de estilo BEVFormer procesa las representaciones de cámaras que rodean el vehículo. Produce detección 3D, ocupación semántica y segmentación de mapas en vista cenital. La documentación describe hasta 300 cajas 3D en siete clases unificadas; una cuadrícula de ocupación de 200 × 200 × 16 para 10 clases; y un mapa rasterizado de 60 m × 30 m, a 0,15 m de resolución, para seis clases.
18
- Planning Expert: un módulo independiente que genera trayectorias futuras del vehículo a partir de las representaciones compartidas. El proyecto normaliza las trayectorias como 50 poses en el marco de referencia del vehículo —posición y orientación—, a 10 Hz durante cinco segundos. Así puede usar un mismo objetivo de planificación con conjuntos de datos públicos heterogéneos.
1
Esta división es relevante para investigación: permite estudiar percepción y planificación por separado, comparar la planificación directa con la condicionada por lenguaje, o intercambiar y evaluar módulos sin modificar el VLM central.
Diferencia entre planner-sft y planner-rl
Qwen publica dos variantes del planificador sobre la misma base:
planner-sftes el Planning Expert entrenado de forma supervisada, o por imitación. Puede generar trayectorias directamente o después de que el modelo produzca una justificación textual.planner-rlrecibe una optimización posterior basada en recompensas, dirigida a objetivos de evaluación. La documentación recomienda emplearlo con planificación condicionada por razonamiento, ya que sus secuencias de optimización se condicionaron con razonamientos generados.
La diferencia ayuda a interpretar sus métricas. La optimización por recompensas puede elevar puntuaciones orientadas a preferencias o a simulaciones de circuito cerrado, aunque empeore ligeramente el error de desplazamiento en evaluación de circuito abierto frente a una trayectoria humana registrada. No miden exactamente lo mismo: reducir el error frente a la trayectoria registrada no equivale automáticamente a mejorar una métrica de preferencias o de conducción simulada. 1
Tres modos de inferencia
La guía pública documenta tres modos de ejecución: 17
| Modo | Qué se ejecuta | Resultado |
|---|---|---|
VQA |
Solo el VLM | Respuesta de texto |
DIRECT_PLANNING |
Una pasada del VLM y después el Planning Expert | Trayectorias |
REASONING_PLANNING |
El VLM genera un razonamiento y el experto usa ese contexto | Razonamiento y trayectorias |
Los tres modos emplean la misma red subyacente. Lo que cambia es si se genera una justificación y si el planificador recibe representaciones que incorporan ese texto generado. 17
Entrenamiento: unificar anotaciones sin abandonar los datos generales
Qwen describe un entrenamiento por etapas que combina supervisión específica de conducción —percepción 3D, preguntas y respuestas sobre escenas de tráfico y planificación— con datos generales de visión y lenguaje. La canalización traduce etiquetas de percepción heterogéneas a una taxonomía común, revisa respuestas de VQA de conducción para ganar consistencia y convierte trayectorias de conjuntos de datos públicos al formato común de puntos de ruta. 1
11
El propósito es equilibrar especialización y retención: adquirir comprensión de escenas viales y capacidad de planificación sin perder, simplemente, las habilidades generales de imagen y lenguaje del VLM de partida. Los materiales disponibles confirman que ese fue un objetivo de diseño y evaluación, pero por sí solos no demuestran un rendimiento independiente y exhaustivo en todos los benchmarks de conocimiento general o razonamiento espacial. 1
11
Qué muestran los resultados publicados —y qué no
En los resultados comunicados por el proyecto, el planificador RL obtiene una puntuación PDMS de 90,7 en NAVSIM v1.1, frente a 88,2 del planificador SFT. Con muestreo de las seis mejores opciones, las cifras ascienden a 91,4 y 89,3, respectivamente. En la evaluación end-to-end de Waymo Open Dataset, el proyecto informa valores RFS de 7,91 para RL y 7,78 para SFT. En la evaluación de circuito abierto NVIDIA PhysicalAI, informa un minADE a tres segundos de 0,38 m para RL y 0,34 m para SFT. 1
El repositorio también comunica mejoras en VQA de conducción frente a una línea base listada de Qwen3.5-4B en varios benchmarks, entre ellos LingoQA, VLAD, SURDS, WaymoQA y medidas de tipo DriveLM. 1
Son resultados reportados por el propio proyecto, no una certificación independiente de seguridad ni de preparación para circular por vías públicas. Las puntuaciones de planificación, la similitud con trayectorias registradas, las métricas basadas en preferencias y la validación de seguridad en el mundo real son afirmaciones distintas. Qwen presenta el lanzamiento como un paso inicial para investigación, no como un sistema de conducción autónoma listo para producción. 5
11
Qué pueden usar los desarrolladores
El repositorio de Hugging Face aloja los pesos y las configuraciones de Qwen-Drive-1.0-4B, y remite al repositorio público QwenLM/Qwen-Drive-1.0 para el código, los datos de demostración y la documentación. 10
12
El proyecto de GitHub incluye materiales modulares de inferencia y evaluación. Con la publicación, los desarrolladores pueden:
- ejecutar VQA de imagen-texto y de escenas de conducción;
- probar las demostraciones suministradas;
- generar trayectorias mediante planificación directa o condicionada por razonamiento;
- inspeccionar salidas de percepción BEV;
- trabajar con los formatos de escenas y evaluación publicados; y
- experimentar con conjuntos de datos públicos y entradas de escenas personalizadas.
La publicación no permite reconstruir por sí sola todo el entrenamiento. Los corpus no publicados, anotaciones, etiquetas de preferencias y datos propietarios quedan fuera de lo que puede reproducirse únicamente con los pesos y el código públicos. 1
5
Por qué importa el enfoque modular
Su principal valor está en servir como plataforma de investigación. Qwen-Drive-1.0-4B hace explícitas las fronteras entre comprensión visual y lingüística, percepción 3D y planificación. Eso puede hacer más útiles las pruebas de ablación: permite averiguar si un cambio mejora la representación de la escena, la generación de trayectorias, el razonamiento en lenguaje o un objetivo de recompensa específico de un benchmark.
El proyecto también deja margen para sustituir cabezales, construir escenas a medida y probar configuraciones alternativas de cámaras o sensores. No es una prueba de que un modelo de 4.000 millones de parámetros haya resuelto la conducción autónoma; es un punto de partida abierto para evaluar cómo un VLM compartido puede respaldar componentes de conducción más inspeccionables. 11
18
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Qwen-Drive-1.0-4B: un VLM abierto y modular para investigar conducción autónoma"?
Qwen Drive 1.0 4B es un modelo de visión y lenguaje de 4.000 millones de parámetros, con pesos abiertos bajo licencia Apache 2.0 y basado en Qwen3.5 4B.
¿Cuáles son los puntos clave a validar primero?
Qwen Drive 1.0 4B es un modelo de visión y lenguaje de 4.000 millones de parámetros, con pesos abiertos bajo licencia Apache 2.0 y basado en Qwen3.5 4B. Su diseño mantiene una base multimodal compartida y añade módulos externos para percepción BEV y planificación; ofrece planificación supervisada, optimizada con recompensas, directa y condicionada por razonamiento.
¿Qué debo hacer a continuación en la práctica?
Los pesos están en Hugging Face y el repositorio público de GitHub incluye código de inferencia, documentación, datos de demostración y herramientas de evaluación.