Qwen-Drive-1.0-4Bは、AlibabaのQwenチームと華中科技大学が開発した、自動運転研究向けのオープンウェイト視覚言語モデル（VLM）です。特徴は、既存のQwen3.5-4Bを丸ごと自動運転専用のブラックボックスへ作り替えるのではなく、共有する画像・言語基盤として維持したうえで、3D認識と走行計画のモジュールを外付けした点にあります。重みと関連ソフトウェアはApache 2.0で公開されています。101115

共通VLMに、認識と計画を接続する構成

中核となるQwen3.5-4Bは、画像と言語を扱うマルチモーダルモデルです。運転場面に関する視覚質問応答（VQA）を担うとともに、追加モジュールが利用する表現も提供します。Qwenが掲げるのは、汎用VLMのアーキテクチャを置き換えずに運転能力を加える設計です。1011

そこに、次の2モジュールを接続します。

• BEV認識ヘッド：周囲カメラの表現をBEVFormer系のヘッドで処理し、3D物体検出、セマンティック占有予測、BEV地図セグメンテーションを出力します。公開資料では、7つの統一クラスで最大300個の3Dボックス、10クラスの200×200×16占有グリッド、6クラスの60m×30m地図ラスター（解像度0.15m）が説明されています。18
• Planning Expert：共有表現から自車の将来軌道を生成する別モジュールです。軌道は、10Hz・5秒間にわたる50個の自車座標系ポーズ（位置と方位）へ標準化され、性質の異なる公開運転データセットを共通の計画目標に変換できます。111

この分離は、研究用途で特に重要です。認識と計画を別々に評価したり、言語による推論を介す計画と直接計画を比べたり、基盤VLMを変えずに各モジュールを交換・アブレーションしたりできます。

planner-sftとplanner-rlの違い

同じ基盤モデルを中心に、計画モジュールは2種類公開されています。

• planner-sft：教師あり学習、すなわち運転例の模倣学習で訓練したPlanning Expertです。軌道を直接生成する方法と、モデルが文章による根拠を生成した後に計画する方法の両方を利用できます。117
• planner-rl：ベンチマーク志向の目標に対して、報酬ベースの最適化をさらに施した版です。最適化時のロールアウトがサンプリングした推論文を条件としていたため、プロジェクト文書では推論付き計画で使うことが推奨されています。117

両者の比較では、指標が何を測るかを区別する必要があります。報酬最適化は、選好整合性や疑似クローズドループ志向のスコアを改善し得る一方、記録された人間の軌道とのオープンループ変位誤差をわずかに悪化させる場合があります。軌道誤差が低いことと、選好スコアやクローズドループ評価が高いことは同義ではありません。1

実行できる3つのモード

公開されているcookbookでは、推論モードを次の3つに整理しています。17

モード	実行内容	出力
VQA	VLMのみ	テキスト回答
DIRECT_PLANNING	VLMを1回実行後、Planning Expertを実行	軌道
REASONING_PLANNING	VLMが根拠文を生成し、その文脈を使ってExpertが計画	根拠文と軌道

ネットワーク自体は共通ですが、根拠文を生成するか、その生成文を含む表現をプランナーへ渡すかが異なります。17

学習データをどう統一したか

Qwenは、運転向け3D認識、運転VQA、計画の教師信号と、汎用の視覚言語データを組み合わせる段階的学習を説明しています。データ処理では、異なる認識ラベルを共通分類体系へ対応付け、運転VQAの回答を一貫性のために改訂し、公開データセット由来の軌道を共通ウェイポイント形式へ変換します。111

狙いは、運転シーンの理解と計画能力を追加しながら、基盤VLMの汎用的な画像・言語能力を単純に失わないようにすることです。ただし、公開資料から確認できるのは、これが設計・評価上の目標だったという点までです。一般知識や空間認識に関する全ベンチマークでの包括的な独立検証を、この資料だけで結論づけることはできません。111

公表されたスコアは何を示すのか

Qwenの報告では、NAVSIM v1.1のPDMSは、RLプランナーが90.7、SFTプランナーが88.2でした。6回サンプリングの最良結果では、それぞれ91.4、89.3とされています。Waymo Open DatasetのエンドツーエンドRFSはRLが7.91、SFTが7.78、NVIDIA PhysicalAIのオープンループ評価における3秒minADEはRLが0.38m、SFTが0.34mです。1

リポジトリでは、LingoQA、VLAD、SURDS、WaymoQA、DriveLM系の指標を含む複数の運転VQAベンチマークで、掲載されたQwen3.5-4Bベースラインを上回ったとも報告されています。1

ただし、これらはプロジェクト側が報告したベンチマーク結果です。安全性の第三者認証でも、公道配備の準備完了の証明でもありません。計画ベンチマーク、ログ軌道への近さ、選好ベースのスコア、実世界での安全性検証は、それぞれ別の主張です。Qwen自身も本リリースを量産自動運転システムではなく、初期段階の研究志向プロジェクトとして位置付けています。511

開発者が入手・実行できるもの

Hugging Faceのモデルリポジトリでは、Qwen-Drive-1.0-4Bの重みと設定が提供されています。コード、デモデータ、文書は、公開GitHubリポジトリQwenLM/Qwen-Drive-1.0で配布されています。1012

公開物を使い、開発者は主に次を試せます。

• 画像テキストVQAおよび運転シーンVQA
• 付属の運転デモ
• 直接計画と推論付き計画による軌道生成
• BEV認識の出力確認
• 公開されたシーン形式・評価形式の利用
• 公開データセットや独自シーン入力による実験

111718

一方で、公開された重みとコードだけで学習の全過程を再現できるわけではありません。非公開の学習コーパス、アノテーション、選好ラベル、プロプライエタリデータは、公開物の範囲外です。15

注目点は「4Bで自動運転を解いた」ことではない

Qwen-Drive-1.0-4Bの価値は、言語・視覚理解、3D認識、軌道計画の境界を明示し、検証可能にした研究基盤であることです。ある変更でスコアが上がったとき、それがシーン表現、軌道生成、言語推論、あるいはベンチマーク固有の報酬目的のどれに由来するのかを追いやすくなります。

また、ヘッドの差し替え、独自シーンの構築、別のカメラ構成やセンサーレイアウトへの拡張も想定されています。これは「40億パラメータ級モデルが自動運転を解決した」という宣言ではなく、共有VLMを解釈しやすい運転モジュールにどう活用できるかを検証する、オープンな出発点と見るのが適切です。1118

Qwen-Drive-1.0-4Bは、AlibabaのQwenチームと華中科技大学が開発した、自動運転研究向けのオープンウェイト視覚言語モデル（VLM）です。特徴は、既存のQwen3.5-4Bを丸ごと自動運転専用のブラックボックスへ作り替えるのではなく、共有する画像・言語基盤として維持したうえで、3D認識と走行計画のモジュールを外付けした点にあります。重みと関連ソフトウェアはApache 2.0で公開されています。101115

共通VLMに、認識と計画を接続する構成

中核となるQwen3.5-4Bは、画像と言語を扱うマルチモーダルモデルです。運転場面に関する視覚質問応答（VQA）を担うとともに、追加モジュールが利用する表現も提供します。Qwenが掲げるのは、汎用VLMのアーキテクチャを置き換えずに運転能力を加える設計です。1011

そこに、次の2モジュールを接続します。

• BEV認識ヘッド：周囲カメラの表現をBEVFormer系のヘッドで処理し、3D物体検出、セマンティック占有予測、BEV地図セグメンテーションを出力します。公開資料では、7つの統一クラスで最大300個の3Dボックス、10クラスの200×200×16占有グリッド、6クラスの60m×30m地図ラスター（解像度0.15m）が説明されています。18
• Planning Expert：共有表現から自車の将来軌道を生成する別モジュールです。軌道は、10Hz・5秒間にわたる50個の自車座標系ポーズ（位置と方位）へ標準化され、性質の異なる公開運転データセットを共通の計画目標に変換できます。111

この分離は、研究用途で特に重要です。認識と計画を別々に評価したり、言語による推論を介す計画と直接計画を比べたり、基盤VLMを変えずに各モジュールを交換・アブレーションしたりできます。

planner-sftとplanner-rlの違い

同じ基盤モデルを中心に、計画モジュールは2種類公開されています。

• planner-sft：教師あり学習、すなわち運転例の模倣学習で訓練したPlanning Expertです。軌道を直接生成する方法と、モデルが文章による根拠を生成した後に計画する方法の両方を利用できます。117
• planner-rl：ベンチマーク志向の目標に対して、報酬ベースの最適化をさらに施した版です。最適化時のロールアウトがサンプリングした推論文を条件としていたため、プロジェクト文書では推論付き計画で使うことが推奨されています。117

両者の比較では、指標が何を測るかを区別する必要があります。報酬最適化は、選好整合性や疑似クローズドループ志向のスコアを改善し得る一方、記録された人間の軌道とのオープンループ変位誤差をわずかに悪化させる場合があります。軌道誤差が低いことと、選好スコアやクローズドループ評価が高いことは同義ではありません。1

実行できる3つのモード

公開されているcookbookでは、推論モードを次の3つに整理しています。17

モード	実行内容	出力
VQA	VLMのみ	テキスト回答
DIRECT_PLANNING	VLMを1回実行後、Planning Expertを実行	軌道
REASONING_PLANNING	VLMが根拠文を生成し、その文脈を使ってExpertが計画	根拠文と軌道

ネットワーク自体は共通ですが、根拠文を生成するか、その生成文を含む表現をプランナーへ渡すかが異なります。17

学習データをどう統一したか

Qwenは、運転向け3D認識、運転VQA、計画の教師信号と、汎用の視覚言語データを組み合わせる段階的学習を説明しています。データ処理では、異なる認識ラベルを共通分類体系へ対応付け、運転VQAの回答を一貫性のために改訂し、公開データセット由来の軌道を共通ウェイポイント形式へ変換します。111

狙いは、運転シーンの理解と計画能力を追加しながら、基盤VLMの汎用的な画像・言語能力を単純に失わないようにすることです。ただし、公開資料から確認できるのは、これが設計・評価上の目標だったという点までです。一般知識や空間認識に関する全ベンチマークでの包括的な独立検証を、この資料だけで結論づけることはできません。111

公表されたスコアは何を示すのか

Qwenの報告では、NAVSIM v1.1のPDMSは、RLプランナーが90.7、SFTプランナーが88.2でした。6回サンプリングの最良結果では、それぞれ91.4、89.3とされています。Waymo Open DatasetのエンドツーエンドRFSはRLが7.91、SFTが7.78、NVIDIA PhysicalAIのオープンループ評価における3秒minADEはRLが0.38m、SFTが0.34mです。1

リポジトリでは、LingoQA、VLAD、SURDS、WaymoQA、DriveLM系の指標を含む複数の運転VQAベンチマークで、掲載されたQwen3.5-4Bベースラインを上回ったとも報告されています。1

ただし、これらはプロジェクト側が報告したベンチマーク結果です。安全性の第三者認証でも、公道配備の準備完了の証明でもありません。計画ベンチマーク、ログ軌道への近さ、選好ベースのスコア、実世界での安全性検証は、それぞれ別の主張です。Qwen自身も本リリースを量産自動運転システムではなく、初期段階の研究志向プロジェクトとして位置付けています。511

開発者が入手・実行できるもの

Hugging Faceのモデルリポジトリでは、Qwen-Drive-1.0-4Bの重みと設定が提供されています。コード、デモデータ、文書は、公開GitHubリポジトリQwenLM/Qwen-Drive-1.0で配布されています。1012

公開物を使い、開発者は主に次を試せます。

• 画像テキストVQAおよび運転シーンVQA
• 付属の運転デモ
• 直接計画と推論付き計画による軌道生成
• BEV認識の出力確認
• 公開されたシーン形式・評価形式の利用
• 公開データセットや独自シーン入力による実験

111718

一方で、公開された重みとコードだけで学習の全過程を再現できるわけではありません。非公開の学習コーパス、アノテーション、選好ラベル、プロプライエタリデータは、公開物の範囲外です。15

注目点は「4Bで自動運転を解いた」ことではない

Qwen-Drive-1.0-4Bの価値は、言語・視覚理解、3D認識、軌道計画の境界を明示し、検証可能にした研究基盤であることです。ある変更でスコアが上がったとき、それがシーン表現、軌道生成、言語推論、あるいはベンチマーク固有の報酬目的のどれに由来するのかを追いやすくなります。

また、ヘッドの差し替え、独自シーンの構築、別のカメラ構成やセンサーレイアウトへの拡張も想定されています。これは「40億パラメータ級モデルが自動運転を解決した」という宣言ではなく、共有VLMを解釈しやすい運転モジュールにどう活用できるかを検証する、オープンな出発点と見るのが適切です。1118