उत्तरप्रकाशित18 स्रोत
Qwen-Drive-1.0-4B: ओपन, मॉड्यूलर ऑटोनॉमस-ड्राइविंग विज़न-लैंग्वेज मॉडल
Qwen Drive 1.0 4B, Qwen3.5 4B पर आधारित 4B पैरामीटर का Apache 2.0 लाइसेंस वाला ओपन वेट ड्राइविंग विज़न लैंग्वेज मॉडल है। इसमें साझा VLM के साथ अलग BEV परसेप्शन हेड और प्लानिंग एक्सपर्ट हैं; VQA, डायरेक्ट प्लानिंग और रीजनिंग कंडीशन्ड प्लानिंग मोड उपलब्ध हैं। Hugging Face पर वेट्स तथा GitHub पर कोड, डेमो डेटा, दस्तावे...
प्रकाशितकर्ताGPT-5.6 Terra से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- Qwen Drive 1.0 4B, Qwen3.5 4B पर आधारित 4B पैरामीटर का Apache 2.0 लाइसेंस वाला ओपन वेट ड्राइविंग विज़न लैंग्वेज मॉडल है।
- इसमें साझा VLM के साथ अलग BEV परसेप्शन हेड और प्लानिंग एक्सपर्ट हैं; VQA, डायरेक्ट प्लानिंग और रीजनिंग कंडीशन्ड प्लानिंग मोड उपलब्ध हैं।
- Hugging Face पर वेट्स तथा GitHub पर कोड, डेमो डेटा, दस्तावेज़ और मूल्यांकन टूल उपलब्ध हैं, लेकिन रिपोर्टेड स्कोर सड़क पर तैनाती या सुरक्षा का प्रमाण नहीं हैं।
AI संकेत
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, अलीबाबा के Qwen समूह और Huazhong University of Science and Technology का ऑटोनॉमस-ड्राइविंग रिसर्च के लिए बनाया गया ओपन-वेट विज़न-लैंग्वेज मॉडल (VLM) है। इसे Qwen3.5-4B को पूरी तरह बदलकर एक अपारदर्शी एंड-टू-एंड ड्राइविंग स्टैक बनाने के बजाय, उसी साझा मल्टीमॉडल बैकबोन के ऊपर बाहरी मॉड्यूल जोड़कर तैयार किया गया है। वेट्स और संबंधित सॉफ्टवेयर Apache 2.0 लाइसेंस के तहत जारी किए गए हैं। 10
11
15
एक साझा VLM, दो अलग ड्राइविंग मॉड्यूल
साझा Qwen3.5-4B मॉडल इमेज और भाषा को प्रोसेस करता है। यह ड्राइविंग-सीन से जुड़े प्रश्नों सहित विज़ुअल क्वेश्चन-आंसरिंग कर सकता है और जोड़े गए ड्राइविंग कंपोनेंट्स को आवश्यक रिप्रेज़ेंटेशन देता है। Qwen का घोषित उद्देश्य ड्राइविंग क्षमता जोड़ते समय मूल मॉडल की सामान्य मल्टीमॉडल संरचना को बनाए रखना है। 10
11
इसके ऊपर दो बाहरी मॉड्यूल लगाए गए हैं:
- BEV परसेप्शन हेड: BEVFormer-शैली का हेड चारों तरफ लगे कैमरों से मिले रिप्रेज़ेंटेशन प्रोसेस करता है और 3D ऑब्जेक्ट डिटेक्शन, सेमांटिक ऑक्यूपेंसी तथा BEV मैप सेगमेंटेशन देता है। दस्तावेज़ के अनुसार यह सात यूनिफाइड क्लास में अधिकतम 300 3D बॉक्स, 10 क्लास वाली 200 × 200 × 16 ऑक्यूपेंसी ग्रिड और छह क्लास वाली 60 मीटर × 30 मीटर की मैप रास्टर आउटपुट कर सकता है, जिसकी रेज़ोल्यूशन 0.15 मीटर है।
18
- Planning Expert: यह अलग मॉड्यूल साझा रिप्रेज़ेंटेशन से वाहन के भविष्य के पथ तैयार करता है। प्रोजेक्ट ने अलग-अलग सार्वजनिक ड्राइविंग डेटासेट के लिए एक समान लक्ष्य प्रारूप अपनाया है: पाँच सेकंड की अवधि में 10 Hz पर 50 ईगो-फ्रेम पोज़—यानी स्थिति और हेडिंग।
1
यह विभाजन रिसर्च के लिए उपयोगी है। टीम परसेप्शन और प्लानिंग को अलग-अलग जांच सकती है, सीधे पथ-निर्धारण की तुलना भाषा-आधारित रीजनिंग के बाद की प्लानिंग से कर सकती है, या मूल VLM बदले बिना मॉड्यूल बदलकर एब्लेशन कर सकती है।
planner-sft और planner-rl में अंतर
Qwen ने एक ही बैकबोन के आसपास दो प्लानिंग वेरिएंट जारी किए हैं:
planner-sftसुपरवाइज़्ड अथवा इमिटेशन-ट्रेंड Planning Expert है। यह सीधे ट्रैजेक्टरी बना सकता है, या मॉडल द्वारा टेक्स्ट में तर्क देने के बाद भी योजना बना सकता है।planner-rlको आगे रिवॉर्ड-आधारित प्रशिक्षण से बेंचमार्क-केंद्रित उद्देश्यों पर ऑप्टिमाइज़ किया गया है। दस्तावेज़ इसे रीजनिंग-कंडीशन्ड प्लानिंग में इस्तेमाल करने की सलाह देता है, क्योंकि इसके ऑप्टिमाइज़ेशन रोलआउट सैंपल किए गए रीजनिंग पर आधारित थे।
इससे मूल्यांकन का एक अहम अंतर समझ में आता है। रिवॉर्ड ऑप्टिमाइज़ेशन, प्रेफरेंस-अलाइनमेंट या छद्म क्लोज़्ड-लूप स्कोर बेहतर कर सकता है, लेकिन रिकॉर्ड किए गए मानव पथ से ओपन-लूप विस्थापन त्रुटि थोड़ा बढ़ भी सकती है। ये अलग सवालों के माप हैं; कम ट्रैजेक्टरी त्रुटि का अर्थ अपने-आप बेहतर प्रेफरेंस या क्लोज़्ड-लूप स्कोर नहीं है। 1
मॉडल चलाने के तीन तरीके
पब्लिक कुकबुक में तीन इन्फरेंस मोड दिए गए हैं: 17
| मोड | क्या चलता है | आउटपुट |
|---|---|---|
VQA |
केवल VLM | टेक्स्ट उत्तर |
DIRECT_PLANNING |
एक VLM पास, फिर Planning Expert | ट्रैजेक्टरी |
REASONING_PLANNING |
VLM पहले तर्क लिखता है, फिर एक्सपर्ट उस संदर्भ का उपयोग करता है | तर्क और ट्रैजेक्टरी |
तीनों में मूल नेटवर्क वही रहता है। अंतर इतना है कि तर्क उत्पन्न किया जाता है या नहीं, और प्लानर को उस उत्पन्न संदर्भ वाले रिप्रेज़ेंटेशन मिलते हैं या नहीं। 17
प्रशिक्षण और यूनिफाइड एनोटेशन
Qwen के अनुसार प्रशिक्षण को कई चरणों में किया गया, जिसमें ड्राइविंग-केंद्रित 3D परसेप्शन, ड्राइविंग VQA और प्लानिंग सुपरविज़न को सामान्य विज़न-लैंग्वेज डेटा के साथ मिलाया गया। पाइपलाइन अलग-अलग परसेप्शन लेबल को साझा टैक्सोनॉमी में मैप करती है, एकरूपता के लिए ड्राइविंग-VQA उत्तरों को संशोधित करती है और सार्वजनिक डेटासेट की ट्रैजेक्टरी को साझा वेपॉइंट प्रारूप में बदलती है। 1
11
लक्ष्य विशेषज्ञता और सामान्य क्षमता के बीच संतुलन बनाना है: मॉडल को ड्राइविंग-सीन की समझ और प्लानिंग सीखनी चाहिए, लेकिन उसकी सामान्य इमेज-लैंग्वेज क्षमता खत्म नहीं होनी चाहिए। उपलब्ध सामग्री से यह स्पष्ट है कि यह डिजाइन और मूल्यांकन का लक्ष्य था; हालांकि इससे सभी सामान्य-ज्ञान या स्थानिक-बोध बेंचमार्क पर व्यापक, स्वतंत्र प्रदर्शन सिद्ध नहीं होता। 1
11
रिपोर्टेड नतीजे क्या बताते हैं—और क्या नहीं
Qwen के रिपोर्टेड प्लानिंग परिणामों में RL प्लानर का NAVSIM v1.1 PDMS, SFT प्लानर से अधिक है: 90.7 बनाम 88.2। बेस्ट-ऑफ-सिक्स सैंपलिंग के साथ ये क्रमशः 91.4 और 89.3 हो जाते हैं। Waymo Open Dataset के एंड-टू-एंड RFS में RL का स्कोर 7.91 और SFT का 7.78 बताया गया है। NVIDIA PhysicalAI की ओपन-लूप जांच में तीन सेकंड का minADE RL के लिए 0.38 मीटर और SFT के लिए 0.34 मीटर रिपोर्ट किया गया। 1
रिपॉजिटरी में सूचीबद्ध Qwen3.5-4B बेसलाइन की तुलना में LingoQA, VLAD, SURDS, WaymoQA और DriveLM-शैली के कई ड्राइविंग-VQA मापों पर सुधार भी रिपोर्ट किया गया है। 1
मगर ये प्रोजेक्ट द्वारा रिपोर्ट किए गए बेंचमार्क परिणाम हैं, स्वतंत्र सुरक्षा प्रमाणन या सार्वजनिक सड़कों पर तैनाती की तैयारी का प्रमाण नहीं। प्लानिंग स्कोर, लॉग की गई ट्रैजेक्टरी से ओपन-लूप समानता, प्रेफरेंस-आधारित मेट्रिक और वास्तविक दुनिया में सुरक्षा सत्यापन—ये सभी अलग दावे हैं। Qwen स्वयं इस रिलीज़ को प्रोडक्शन ऑटोनॉमस-ड्राइविंग सिस्टम नहीं, बल्कि शुरुआती रिसर्च-केंद्रित कदम बताता है। 5
11
डेवलपर्स को क्या मिलेगा
Hugging Face के मॉडल रिपॉजिटरी में Qwen-Drive-1.0-4B के वेट्स और कॉन्फ़िगरेशन मौजूद हैं। वहीं से सार्वजनिक QwenLM/Qwen-Drive-1.0 GitHub रिपॉजिटरी का लिंक मिलता है, जिसमें कोडबेस, डेमो डेटा और दस्तावेज़ हैं। 10
12
GitHub प्रोजेक्ट में मॉड्यूलर इन्फरेंस और मूल्यांकन सामग्री शामिल है। डेवलपर इस रिलीज़ से:
- इमेज-टेक्स्ट और ड्राइविंग-सीन VQA चला सकते हैं;
- दिए गए ड्राइविंग डेमो चला सकते हैं;
- डायरेक्ट या रीजनिंग-कंडीशन्ड प्लानिंग से ट्रैजेक्टरी बना सकते हैं;
- BEV परसेप्शन आउटपुट देख सकते हैं;
- जारी किए गए सीन और मूल्यांकन प्रारूपों पर काम कर सकते हैं; और
- सार्वजनिक डेटासेट या कस्टम सीन इनपुट पर प्रयोग कर सकते हैं।
सिर्फ रिलीज़ किए गए कोड और वेट्स से प्रशिक्षण का हर हिस्सा दोहराया नहीं जा सकता। जो प्रशिक्षण कॉर्पस, एनोटेशन, प्रेफरेंस लेबल या मालिकाना डेटा सार्वजनिक नहीं हैं, वे इस रिलीज़ से पुनर्निर्मित नहीं किए जा सकते। 1
5
मॉड्यूलर रिलीज़ क्यों मायने रखती है
रिसर्च प्लेटफॉर्म के रूप में इसकी मुख्य उपयोगिता यह है कि यह भाषा-और-विज़न समझ, 3D परसेप्शन और प्लानिंग के बीच की सीमाओं को स्पष्ट रखती है। इससे एब्लेशन अधिक अर्थपूर्ण हो सकते हैं: शोधकर्ता जांच सकते हैं कि किसी बदलाव का लाभ सीन रिप्रेज़ेंटेशन, ट्रैजेक्टरी जनरेशन, भाषा-रीजनिंग या किसी विशेष बेंचमार्क के रिवॉर्ड उद्देश्य में कहां मिला।
यह प्रोजेक्ट हेड बदलने, कस्टम सीन बनाने तथा वैकल्पिक कैमरा या सेंसर लेआउट जोड़ने जैसी आगे की संभावनाएं भी खोलता है। इसलिए इसकी अहमियत इस दावे में कम है कि 4B मॉडल ने ऑटोनॉमस ड्राइविंग हल कर दी है; यह अधिक खुले शुरुआती बिंदु के रूप में महत्वपूर्ण है, जहां साझा VLM के सहारे व्याख्यायोग्य ड्राइविंग कंपोनेंट्स की जांच की जा सकती है। 11
18
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"Qwen-Drive-1.0-4B: ओपन, मॉड्यूलर ऑटोनॉमस-ड्राइविंग विज़न-लैंग्वेज मॉडल" का संक्षिप्त उत्तर क्या है?
Qwen Drive 1.0 4B, Qwen3.5 4B पर आधारित 4B पैरामीटर का Apache 2.0 लाइसेंस वाला ओपन वेट ड्राइविंग विज़न लैंग्वेज मॉडल है।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
Qwen Drive 1.0 4B, Qwen3.5 4B पर आधारित 4B पैरामीटर का Apache 2.0 लाइसेंस वाला ओपन वेट ड्राइविंग विज़न लैंग्वेज मॉडल है। इसमें साझा VLM के साथ अलग BEV परसेप्शन हेड और प्लानिंग एक्सपर्ट हैं; VQA, डायरेक्ट प्लानिंग और रीजनिंग कंडीशन्ड प्लानिंग मोड उपलब्ध हैं।
मुझे अभ्यास में आगे क्या करना चाहिए?
Hugging Face पर वेट्स तथा GitHub पर कोड, डेमो डेटा, दस्तावेज़ और मूल्यांकन टूल उपलब्ध हैं, लेकिन रिपोर्टेड स्कोर सड़क पर तैनाती या सुरक्षा का प्रमाण नहीं हैं।