AnswersPublished18 sources
Qwen-Drive-1.0-4B maakt autonoom-rijonderzoek modulair
Qwen Drive 1.0 4B is een open weight rijmodel onder Apache 2.0, gebouwd op de multimodale Qwen3.5 4B basis. De architectuur koppelt een aparte BEV module voor 3D waarneming en een Planning Expert voor voertuigtrajecten aan dezelfde VLM.
Gepubliceerd doorBewerkt met GPT-5.6 TerraAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- Qwen Drive 1.0 4B is een open weight rijmodel onder Apache 2.0, gebouwd op de multimodale Qwen3.5 4B basis.
- De architectuur koppelt een aparte BEV module voor 3D waarneming en een Planning Expert voor voertuigtrajecten aan dezelfde VLM.
- De gerapporteerde benchmarks zijn bruikbaar voor onderzoek, maar vormen geen onafhankelijke bevestiging van verkeersveiligheid of inzetbaarheid op de openbare weg.
- De gewichten staan op Hugging Face; code, demo’s en evaluatietools zijn beschikbaar via de openbare GitHub repository.
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 is Alibaba Qwen’s open-weight vision-language model voor onderzoek naar autonoom rijden, ontwikkeld samen met de Huazhong University of Science and Technology. In plaats van Qwen3.5-4B om te vormen tot één ondoorzichtige end-to-end-rijstack, behoudt het project die multimodale basis en voegt het externe modules toe voor bird’s-eye-viewwaarneming (BEV) en bewegingsplanning. De gewichten en bijbehorende software vallen onder de Apache 2.0-licentie. 10
11
15
Eén gedeelde VLM, twee verwisselbare rijmodules
De gedeelde Qwen3.5-4B verwerkt beelden en taal. Het model kan visuele vragen beantwoorden, ook over verkeerssituaties, en levert representaties waarop de extra rijmodules voortbouwen. Volgens Qwen is het doel om rijfuncties toe te voegen zonder de algemene multimodale architectuur van het basismodel te vervangen. 10
11
Daaraan zijn twee externe componenten gekoppeld:
- BEV-perceptiekop: een BEVFormer-achtige module verwerkt representaties van rondom geplaatste camera’s. De uitvoer omvat 3D-objectdetectie, semantische bezetting en kaartsegmentatie in bovenaanzicht. De documentatie noemt maximaal 300 3D-boxen voor zeven uniforme klassen, een bezettingsraster van 200 × 200 × 16 voor tien klassen en een kaartraster van 60 m × 30 m met een resolutie van 0,15 m voor zes klassen.
18
- Planning Expert: een afzonderlijke module genereert toekomstige trajecten voor het eigen voertuig op basis van dezelfde gedeelde representaties. Trajecten zijn gestandaardiseerd als 50 posities in het voertuigcoördinatenstelsel — positie plus rijrichting — met 10 Hz over vijf seconden. Daardoor kunnen uiteenlopende openbare rijdatasets één planningsdoel delen.
1
Voor onderzoekers is die opsplitsing relevant. Zij kunnen waarneming los van planning testen, directe planning vergelijken met planning die eerst een tekstuele redenering genereert, of modules vervangen en ablaties uitvoeren zonder de kern-VLM te wijzigen.
Het verschil tussen planner-sft en planner-rl
Qwen brengt twee planningsvarianten uit rond dezelfde ruggengraat:
planner-sftis de via supervisie- of imitatievoorbeelden getrainde Planning Expert. Die kan trajecten rechtstreeks genereren of nadat het model eerst een tekstuele toelichting heeft geproduceerd.planner-rlis daarna verder geoptimaliseerd met beloningsgestuurde training voor benchmarkgerichte doelen. De projectdocumentatie adviseert deze variant voor planning met redeneringscontext, omdat de optimalisatieroll-outs waren geconditioneerd op gegenereerde redeneringen.
Dat verschil verklaart een belangrijke afweging in de evaluaties. Beloningsoptimalisatie kan scores voor voorkeursovereenstemming of pseudo-closed-loop-evaluaties verbeteren, terwijl de open-loop-afwijking van een geregistreerd menselijk traject licht verslechtert. Die metingen beantwoorden verschillende vragen: een lagere trajectfout betekent niet automatisch een betere voorkeur- of closed-loopscore. 1
Drie manieren om het model te gebruiken
De openbare handleiding beschrijft drie inferentiemodi: 17
| Modus | Wat draait er? | Uitvoer |
|---|---|---|
VQA |
Alleen de VLM | Tekstantwoord |
DIRECT_PLANNING |
Eén VLM-run, gevolgd door de Planning Expert | Trajecten |
REASONING_PLANNING |
De VLM formuleert eerst een redenering; de expert gebruikt die context | Redenering en trajecten |
De onderliggende netwerkstructuur is in alle drie de gevallen dezelfde. Het verschil zit in de vraag of een redenering wordt gegenereerd en of de planner representaties ontvangt waarin die gegenereerde context is opgenomen. 17
Training met uniforme annotaties
Qwen beschrijft een gefaseerde training die rij-specifieke supervisie voor 3D-waarneming, rij-VQA en planning combineert met algemene vision-language-data. De pijplijn brengt uiteenlopende perceptielabels onder in één taxonomie, herziet antwoorden voor rij-VQA op consistentie en zet trajecten uit openbare datasets om naar hetzelfde waypointformaat. 1
11
De aanpak moet specialisatie combineren met behoud van algemene vaardigheden: het model moet verkeerssituaties en planning beter begrijpen zonder de algemene beeld-taalcapaciteiten van de basis-VLM simpelweg kwijt te raken. Het beschikbare materiaal laat zien dat dit een ontwerp- en evaluatiedoel was, maar bewijst niet zelfstandig brede prestaties op alle benchmarks voor algemene kennis of ruimtelijk inzicht. 1
11
Wat de gerapporteerde resultaten wel en niet zeggen
Volgens Qwen behaalt de RL-planner een hogere NAVSIM v1.1-PDMS dan de SFT-planner: 90,7 tegenover 88,2. Met best-of-six-sampling stijgen die waarden naar respectievelijk 91,4 en 89,3. Voor de Waymo Open Dataset rapporteert het project end-to-end-RFS-scores van 7,91 voor RL en 7,78 voor SFT. Bij NVIDIA PhysicalAI open-loop-evaluatie wordt een minADE over drie seconden vermeld van 0,38 m voor RL en 0,34 m voor SFT. 1
De repository meldt ook verbeteringen voor rij-VQA ten opzichte van een vermelde Qwen3.5-4B-baseline op meerdere rijgerichte benchmarks, waaronder LingoQA, VLAD, SURDS, WaymoQA en DriveLM-achtige metingen. 1
Dit zijn door het project zelf gerapporteerde benchmarkresultaten, geen onafhankelijke certificering van veiligheid of inzetbaarheid. Planningsscores, gelijkenis met gelogde trajecten, voorkeursmetingen en validatie van veiligheid in de echte wereld zijn verschillende soorten claims. Qwen positioneert de release zelf als een eerste, onderzoeksgerichte stap en niet als een productiesysteem voor autonoom rijden. 5
11
Wat ontwikkelaars kunnen downloaden en uitvoeren
De Hugging Face-repository bevat de gewichten en configuraties van Qwen-Drive-1.0-4B en verwijst voor code, demodata en documentatie naar de openbare repository QwenLM/Qwen-Drive-1.0. 10
12
Met de GitHub-materialen kunnen ontwikkelaars onder meer:
- beeld-tekst-VQA en VQA over verkeerssituaties uitvoeren;
- de meegeleverde rijdemo’s draaien;
- trajecten genereren via directe of redeneringsgestuurde planning;
- uitvoer van de BEV-perceptiemodule inspecteren;
- werken met de vrijgegeven scène- en evaluatieformaten; en
- experimenteren met openbare datasets en eigen scène-invoer.
De release maakt niet automatisch de volledige training reproduceerbaar. Niet-vrijgegeven trainingscorpora, annotaties, voorkeurslabels en bedrijfseigen data kunnen niet uitsluitend uit de openbare gewichten en code worden gereconstrueerd. 1
5
Waarom deze modulaire release ertoe doet
Als onderzoeksplatform maakt Qwen-Drive-1.0-4B de grenzen tussen beeld-taalbegrip, 3D-waarneming en planning zichtbaar. Daardoor worden ablaties informatiever: onderzoekers kunnen gerichter vaststellen of een wijziging de scènerepresentatie, trajectgeneratie, talige redenering of een benchmarkgebonden beloningsdoel verbetert.
De opzet biedt ook ruimte voor vervangende modules, zelf opgebouwde scènes en alternatieve camera- of sensorconfiguraties. De belangrijkste waarde is dus niet de claim dat een model met 4 miljard parameters autonoom rijden oplost, maar dat het een open vertrekpunt biedt om te testen hoe één gedeelde VLM begrijpelijke rijcomponenten kan ondersteunen. 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 maakt autonoom-rijonderzoek modulair"?
Qwen Drive 1.0 4B is een open weight rijmodel onder Apache 2.0, gebouwd op de multimodale Qwen3.5 4B basis.
What are the key points to validate first?
Qwen Drive 1.0 4B is een open weight rijmodel onder Apache 2.0, gebouwd op de multimodale Qwen3.5 4B basis. De architectuur koppelt een aparte BEV module voor 3D waarneming en een Planning Expert voor voertuigtrajecten aan dezelfde VLM.
What should I do next in practice?
De gerapporteerde benchmarks zijn bruikbaar voor onderzoek, maar vormen geen onafhankelijke bevestiging van verkeersveiligheid of inzetbaarheid op de openbare weg.