AnswersPublished18 sources
Qwen-Drive-1.0-4B: En modulær, åpen VLM for forskning på selvkjøring
Qwen Drive 1.0 4B er en modell med 4 milliarder parametere og åpne vekter under Apache 2.0, bygget på Qwen3.5 4B. Den kombinerer kjørescene VQA, 3D persepsjon og kjøreplanlegging, men holder persepsjons og planleggingshodene utenfor den felles VLM ryggraden.
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- Qwen Drive 1.0 4B er en modell med 4 milliarder parametere og åpne vekter under Apache 2.0, bygget på Qwen3.5 4B.
- Den kombinerer kjørescene VQA, 3D persepsjon og kjøreplanlegging, men holder persepsjons og planleggingshodene utenfor den felles VLM ryggraden.
- Utgivelsen omfatter SFT og RL optimaliserte planleggere, tre kjøremoduser, vekter på Hugging Face og kode, demodata og dokumentasjon på GitHub.
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 er Alibaba Qwens modell med åpne vekter for forskning på selvkjøring, utviklet sammen med Huazhong University of Science and Technology. I stedet for å trene den underliggende syns- og språkmodellen Qwen3.5-4B om til en lukket ende-til-ende-stakk, beholder prosjektet den multimodale ryggraden og legger til eksterne moduler for bird’s-eye-view-persepsjon (BEV) og bevegelsesplanlegging. Vektene og den tilhørende programvaren er utgitt under Apache 2.0-lisensen. 10
11
15
Én felles VLM, to påkoblede kjøremoduler
Den delte Qwen3.5-4B-modellen behandler bilder og språk. Den kan svare på visuelle spørsmål, også om kjøresituasjoner, og leverer representasjoner som de ekstra kjøremodulene bruker. Qwens uttalte mål er å tilføre kjøreevner uten å erstatte den generelle multimodale arkitekturen i grunnmodellen. 10
11
To eksterne moduler utvider modellen:
- BEV-persepsjonshode: Et hode i BEVFormer-stil behandler representasjoner fra kameraene rundt bilen og gir utdata for 3D-deteksjon, semantisk okkupasjon og kartsegmentering sett ovenfra. Den publiserte dokumentasjonen beskriver opptil 300 3D-bokser fordelt på sju felles klasser, et okkupasjonsrutenett på 200 × 200 × 16 for ti klasser og et kartraster på 60 m × 30 m med 0,15 m oppløsning for seks klasser.
18
- Planning Expert: En separat modul genererer bilens framtidige kjørebaner fra de delte representasjonene. Prosjektet standardiserer baner til 50 posisjoner i bilens eget koordinatsystem – posisjon og retning – med 10 Hz over fem sekunder. Dermed kan ulike åpne kjøredatasett bruke samme planleggingsmål.
1
Denne oppdelingen er sentral for forskning. Et team kan undersøke persepsjon uavhengig av planlegging, sammenligne direkte planlegging med språkmediert planlegging eller bytte ut og teste enkeltmoduler uten å endre kjernen i VLM-en.
Forskjellen på planner-sft og planner-rl
Qwen publiserer to planleggingsvarianter med samme ryggrad:
planner-sfter Planning Expert trent med supervisert læring, altså imitasjon av kjøreeksempler. Den kan generere baner direkte eller etter at modellen først har produsert en tekstlig begrunnelse.planner-rler videre optimalisert med belønningsbasert trening mot benchmark-orienterte mål. Dokumentasjonen anbefaler den i resonnementskondisjonert planlegging, fordi optimaliseringskjøringene var betinget på utvalgte resonnementer.
Skillet forklarer en viktig avveining i evalueringen. Belønningsoptimalisering kan forbedre poeng for preferansejustering eller pseudo-lukket-sløyfe-mål, samtidig som åpen-sløyfe-feilen mot en registrert menneskelig kjørebane blir litt høyere. Målingene svarer på ulike spørsmål: Lavere baneavvik betyr ikke automatisk bedre preferanse- eller lukket-sløyfe-score. 1
Tre måter å kjøre modellen på
Den offentlige veiledningen beskriver tre inferensmoduser: 17
| Modus | Hva som kjøres | Resultat |
|---|---|---|
VQA |
Bare VLM-en | Tekstsvar |
DIRECT_PLANNING |
Én VLM-passering, deretter Planning Expert | Kjørebaner |
REASONING_PLANNING |
VLM-en lager en begrunnelse før eksperten bruker konteksten | Begrunnelse og kjørebaner |
Alle modusene bruker samme underliggende nettverk. Forskjellen er om det genereres en begrunnelse, og om planleggeren mottar representasjoner som inkluderer denne genererte konteksten. 17
Trening med felles annotasjoner
Qwen beskriver en trinnvis treningsstrategi som kombinerer kjørespesifikk 3D-persepsjon, VQA for kjørescener og planleggingstilsyn med generelle syns- og språkdata. Datapipelinen oversetter ulike persepsjonsetiketter til en felles taksonomi, reviderer svar i kjøre-VQA for konsistens og konverterer baner fra åpne datasett til det felles waypoint-formatet. 1
11
Målet er å balansere spesialisering og bevaring: Modellen skal forstå kjørescener og kunne planlegge, uten at den generelle bilde- og språkkompetansen i grunnmodellen forsvinner. Materialet som er tilgjengelig, viser at dette var et uttalt mål for design og evaluering, men dokumenterer ikke alene en bred, uavhengig ytelsestest på tvers av alle generelle kunnskaps- eller romforståelsesbenchmarker. 1
11
Hva de rapporterte resultatene viser – og ikke viser
Qwens rapporterte planleggingsresultater gir høyere NAVSIM v1.1 PDMS for RL-planleggeren enn for SFT-planleggeren: 90,7 mot 88,2. Med beste-av-seks-sampling øker tallene til henholdsvis 91,4 og 89,3. Prosjektet oppgir også ende-til-ende-RFS på Waymo Open Dataset på 7,91 for RL og 7,78 for SFT. I NVIDIAs PhysicalAI-evaluering med åpen sløyfe rapporteres en tresekunders minADE på 0,38 m for RL og 0,34 m for SFT. 1
Repositoryet rapporterer dessuten forbedringer i kjøre-VQA sammenlignet med en oppført Qwen3.5-4B-baseline på flere kjøreorienterte benchmarker, blant dem LingoQA, VLAD, SURDS, WaymoQA og DriveLM-lignende mål. 1
Dette er prosjektets egne benchmark-resultater, ikke en uavhengig sertifisering av sikkerhet eller klarhet for produksjon. Planleggingspoeng, likhet med loggførte kjørebaner i åpen sløyfe, preferansebaserte mål og sikkerhetsvalidering i virkeligheten er forskjellige påstander. Qwen omtaler selv utgivelsen som et første, forskningsrettet steg – ikke som et produksjonsklart system for selvkjøring. 5
11
Dette kan utviklere få tilgang til
Modellrepositoryet på Hugging Face inneholder vekter og konfigurasjoner for Qwen-Drive-1.0-4B. Det viser videre til det offentlige repositoryet QwenLM/Qwen-Drive-1.0 på GitHub for kode, demodata og dokumentasjon. 10
12
GitHub-prosjektet inneholder materiale for modulær inferens og evaluering. Utviklere kan bruke utgivelsen til å:
- kjøre bilde-tekst- og kjørescene-VQA;
- kjøre de medfølgende kjøredemoene;
- generere kjørebaner med direkte eller resonnementskondisjonert planlegging;
- undersøke utdata fra BEV-persepsjon;
- arbeide med de publiserte scene- og evalueringsformatene; og
- eksperimentere med åpne datasett og egne sceneinndata.
Utgivelsen gjør det ikke mulig å gjenskape hele treningen. Treningskorpuser, annotasjoner, preferanseetiketter og proprietære data som ikke er publisert, kan ikke rekonstrueres utelukkende fra de åpne vektene og koden. 1
5
Hvorfor den modulære utgivelsen er interessant
Qwen-Drive-1.0-4B er først og fremst nyttig som forskningsplattform. Den gjør grensene mellom språk- og bildeforståelse, 3D-persepsjon og planlegging tydelige. Det kan gi mer informative ablasjonsstudier: Forskere kan undersøke om en endring forbedrer scenerepresentasjon, banegenerering, språklig resonnement eller et belønningsmål som er spesielt knyttet til en benchmark.
Prosjektet åpner også for utvidelser, som å erstatte hoder, bygge egne scener og prøve alternative kamera- eller sensoroppsett. Verdien ligger derfor mindre i en påstand om at en 4B-modell løser selvkjøring, og mer i et åpent utgangspunkt for å teste hvordan en delt VLM kan støtte mer etterprøvbare kjøremoduler. 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: En modulær, åpen VLM for forskning på selvkjøring"?
Qwen Drive 1.0 4B er en modell med 4 milliarder parametere og åpne vekter under Apache 2.0, bygget på Qwen3.5 4B.
What are the key points to validate first?
Qwen Drive 1.0 4B er en modell med 4 milliarder parametere og åpne vekter under Apache 2.0, bygget på Qwen3.5 4B. Den kombinerer kjørescene VQA, 3D persepsjon og kjøreplanlegging, men holder persepsjons og planleggingshodene utenfor den felles VLM ryggraden.
What should I do next in practice?
Utgivelsen omfatter SFT og RL optimaliserte planleggere, tre kjøremoduser, vekter på Hugging Face og kode, demodata og dokumentasjon på GitHub.