AnswersPublished18 sources
Qwen-Drive-1.0-4B erottaa havainnoinnin ja ajosuunnittelun
Qwen Drive 1.0 4B on Apache 2.0 lisensoitu avoin ajamisen näkö kielimalli, joka perustuu Qwen3.5 4B:hen. Yhteiseen VLM runkoon on liitetty erillinen BEV havainnointipää ja ajoneuvon tulevia ratoja tuottava Planning Expert.
JulkaisijaMuokattu mallilla GPT-5.6 TerraKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Qwen Drive 1.0 4B on Apache 2.0 lisensoitu avoin ajamisen näkö kielimalli, joka perustuu Qwen3.5 4B:hen.
- Yhteiseen VLM runkoon on liitetty erillinen BEV havainnointipää ja ajoneuvon tulevia ratoja tuottava Planning Expert.
- Julkaisu tarjoaa VQA , suoran suunnittelun ja perustelulla ehdollistetun suunnittelun tilat sekä avoimet painot, koodin, demodatan ja arviointityökaluja.
AI Prompt
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 on Alibaban Qwen-tiimin ja Huazhong University of Science and Technologyn kehittämä avoimilla painoilla julkaistu näkö-kielimalli autonomisen ajamisen tutkimukseen. Sen keskeinen ratkaisu ei ole tehdä Qwen3.5-4B:stä yhtä läpinäkymätöntä päästä päähän -ajojärjestelmää. Sen sijaan yhteinen multimodaalinen runkomalli säilytetään, ja sen rinnalle liitetään erilliset ylhäältäpäin katsottavaa ympäristökuvaa (BEV, bird’s-eye view) tuottava havainnointimoduuli sekä liikesuunnittelumoduuli. Painot ja ohjelmisto on julkaistu Apache 2.0 -lisenssillä. 10
11
15
Yksi yhteinen VLM, kaksi liitettävää ajomoduulia
Yhteinen Qwen3.5-4B käsittelee kuvia ja kieltä. Se vastaa visuaalisiin kysymyksiin, myös ajotilanteita koskeviin kysymyksiin, ja tuottaa esityksiä, joita lisämoduulit hyödyntävät. Qwenin tavoitteena on lisätä ajamiseen tarvittavia kykyjä korvaamatta perusmallin yleistä multimodaalista arkkitehtuuria. 10
11
Sitä laajentaa kaksi ulkoista osaa:
- BEV-havainnointipää: BEVFormer-tyylinen pää käsittelee ympäristökameroiden tuottamia esityksiä ja antaa 3D-kohdetunnistuksen, semanttisen tilankäyttöennusteen sekä BEV-karttasegmentoinnin. Dokumentaation mukaan tuloksena voi olla enintään 300 kolmiulotteista rajauslaatikkoa seitsemässä yhtenäistetyssä luokassa, 200 × 200 × 16:n tilankäyttöruudukko kymmenessä luokassa sekä 60 m × 30 m:n karttarasteri 0,15 metrin tarkkuudella kuudessa luokassa.
18
- Planning Expert: Erillinen moduuli tuottaa yhteisistä esityksistä ajoneuvon tulevan liikeradan. Rata esitetään 50 ajoneuvokoordinaatiston asentona — sijaintina ja suuntana — 10 Hz:n taajuudella viiden sekunnin ajalta. Näin eri julkisten ajodatasetien kohteet voidaan muuntaa samaan suunnittelumuotoon.
1
Tutkimuksen kannalta jako on olennainen. Havainnointia ja suunnittelua voidaan tutkia erikseen, verrata suoraa suunnittelua kielellisen perustelun kautta tehtävään suunnitteluun tai vaihtaa ja poistaa moduuleja kokeellisesti ilman, että koko VLM-runkoa tarvitsee muuttaa.
planner-sft ja planner-rl: kaksi eri tavoilla optimoitua suunnittelijaa
Qwen julkaisee samaan runkomalliin perustuvat kaksi suunnitteluversiota:
planner-sfton valvotusti eli ajodataa jäljittelemällä koulutettu Planning Expert. Se voi tuottaa radan suoraan tai vasta sen jälkeen, kun malli on ensin muodostanut tekstimuotoisen perustelun.planner-rlon edelleen palkkio-ohjauksella optimoitu versio, jonka tavoitteet on sidottu vertailuarvioinnin mittareihin. Dokumentaatio suosittelee sitä perustelulla ehdollistettuun suunnitteluun, koska optimoinnin aikana käytetyt ajot perustuvat mallin tuottamiin perusteluihin.
Ero selittää tärkeän mittarien välisen kompromissin. Palkkio-optimointi voi parantaa preferenssien mukaisuutta tai pseudo-suljetun silmukan arviointipisteitä, vaikka etäisyys tallennettuun ihmiskuljettajan rataan kasvaisi hieman avoimen silmukan mittauksessa. Mittarit vastaavat eri kysymyksiin: pienempi ratavirhe ei automaattisesti merkitse parempaa preferenssi- tai suljetun silmukan tulosta. 1
Kolme käyttötapaa
Julkinen cookbook-ohjeistus kuvaa kolme päättelytilaa: 17
| Tila | Mitä suoritetaan | Tulos |
|---|---|---|
VQA |
Vain VLM | Tekstivastaus |
DIRECT_PLANNING |
Yksi VLM-ajo, jonka jälkeen Planning Expert | Liikeratoja |
REASONING_PLANNING |
VLM tuottaa ensin perustelun, jota asiantuntijamoduuli hyödyntää | Perustelu ja liikeratoja |
Taustalla oleva verkko on sama kaikissa kolmessa tilassa. Erona on se, tuotetaanko perustelu ja saako suunnittelija käyttöönsä myös tämän muodostetun tekstikontekstin sisältävät esitykset. 17
Vaiheittainen koulutus ja yhtenäiset merkinnät
Qwen kuvaa vaiheittaisen koulutusmenetelmän, jossa ajamiseen liittyvä 3D-havainnointi, ajotilanteiden VQA-tehtävät ja suunnittelun ohjaus yhdistetään yleiskäyttöiseen kuva-kielidataan. Työvaiheissa erilaisten aineistojen havainnointiluokat muunnetaan yhteiseen luokitteluun, ajo-VQA-vastauksia yhdenmukaistetaan ja julkisten aineistojen radat muutetaan samaan reittipistemuotoon. 1
11
Tarkoitus on tasapainottaa erikoistuminen ja peruskykyjen säilyminen: mallin pitäisi oppia ymmärtämään ajotilanteita ja suunnittelemaan liikettä hukkaamatta kokonaan yleisiä kuva-kielikykyjään. Saatavilla oleva aineisto tukee sitä, että tämä oli suunnittelu- ja arviointitavoite, mutta se ei yksin osoita kattavaa, riippumatonta suorituskykyä kaikissa yleis- tai tilallisen päättelyn vertailuissa. 1
11
Mitä raportoidut tulokset kertovat — ja mitä eivät
Qwenin raportoimissa suunnittelutuloksissa RL-suunnittelija sai NAVSIM v1.1 -arvioinnissa PDMS-pisteet 90,7, kun SFT-versio sai 88,2. Kuuden näytteen parhaalla valinnalla pisteet nousivat vastaavasti 91,4:ään ja 89,3:een. Waymo Open Datasetin päästä päähän -arvioinnissa raportoidut RFS-arvot olivat RL:lle 7,91 ja SFT:lle 7,78. NVIDIA PhysicalAI:n avoimen silmukan arvioinnissa kolmen sekunnin minADE oli RL:llä 0,38 m ja SFT:llä 0,34 m. 1
Repositorio raportoi myös ajo-VQA:n parantuneen lueteltuun Qwen3.5-4B-perusmalliin nähden useissa ajopainotteisissa vertailuissa, kuten LingoQA:ssa, VLADissa, SURDSissa, WaymoQA:ssa ja DriveLM-tyyppisissä mittauksissa. 1
Nämä ovat projektin itse raportoimia vertailutuloksia, eivät riippumaton turvallisuussertifiointi tai näyttö tuotantokäyttöön soveltuvuudesta. Suunnittelupisteet, tallennettuihin ratoihin perustuva avoimen silmukan samankaltaisuus, preferenssipohjaiset mittarit ja todellisen liikenteen turvallisuusvalidointi ovat eri asioita. Qwen itse kuvaa julkaisua alkuvaiheen tutkimuslähtöiseksi työksi, ei valmiiksi autonomisen ajamisen järjestelmäksi. 5
11
Mitä kehittäjät voivat käyttää
Hugging Facen mallirepositorio sisältää Qwen-Drive-1.0-4B:n painot ja asetukset sekä ohjaa QwenLM/Qwen-Drive-1.0-GitHub-repositorioon, josta löytyvät koodi, demodata ja dokumentaatio. 10
12
GitHub-projekti tarjoaa moduulikohtaisia materiaaleja päättelyyn ja arviointiin. Julkaisulla voi esimerkiksi:
- ajaa kuva-teksti- ja ajotilanteiden VQA-tehtäviä;
- kokeilla mukana tulevia ajodemoja;
- tuottaa liikeratoja suoralla tai perustelulla ehdollistetulla suunnittelulla;
- tarkastella BEV-havainnoinnin tuloksia;
- käsitellä julkaistuja näkymä- ja arviointimuotoja; sekä
- kokeilla julkisia datasettejä ja omia näkymäsyötteitä.
Julkaisu ei kuitenkaan mahdollista koko koulutusprosessin täydellistä toistamista. Julkaisemattomat koulutusaineistot, annotaatiot, preferenssimerkinnät ja mahdolliset omisteiset aineistot eivät ole rekonstruoitavissa pelkkien painojen ja avoimen koodin perusteella. 1
5
Miksi moduulirakenne on tutkimukselle kiinnostava
Qwen-Drive-1.0-4B on ennen kaikkea tutkimusalusta, joka tekee kuva- ja kieliymmärryksen, 3D-havainnoinnin sekä ajosuunnittelun väliset rajat näkyviksi. Siten ablaatiokokeista voi tulla informatiivisempia: tutkija voi tarkastella, parantaako muutos ympäristön esitystä, radan tuottamista, kielellistä päättelyä vai vain tietyn vertailun palkkiotavoitetta.
Rakenne jättää tilaa myös jatkokehitykselle, kuten korvaaville päille, omien näkymien rakentamiselle sekä vaihtoehtoisille kamera- ja anturijärjestelyille. Julkaisun arvo ei siis ole väite siitä, että 4B-malli ratkaisisi autonomisen ajamisen, vaan avoin lähtöpiste sille, miten yhteinen VLM voi tukea erillisiä ja tutkittavia ajamisen komponentteja. 11
18
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Qwen-Drive-1.0-4B erottaa havainnoinnin ja ajosuunnittelun"?
Qwen Drive 1.0 4B on Apache 2.0 lisensoitu avoin ajamisen näkö kielimalli, joka perustuu Qwen3.5 4B:hen.
What are the key points to validate first?
Qwen Drive 1.0 4B on Apache 2.0 lisensoitu avoin ajamisen näkö kielimalli, joka perustuu Qwen3.5 4B:hen. Yhteiseen VLM runkoon on liitetty erillinen BEV havainnointipää ja ajoneuvon tulevia ratoja tuottava Planning Expert.
What should I do next in practice?
Julkaisu tarjoaa VQA , suoran suunnittelun ja perustelulla ehdollistetun suunnittelun tilat sekä avoimet painot, koodin, demodatan ja arviointityökaluja.