AnswersPublished18 sources
Qwen-Drive-1.0-4B: otwarty model Alibaba rozdziela percepcję i planowanie jazdy
Qwen Drive 1.0 4B to model vision language z otwartymi wagami, licencjonowany na zasadach Apache 2.0 i oparty na Qwen3.5 4B. Osobne moduły odpowiadają za percepcję BEV 3D i planowanie ruchu; udostępniono warianty planera trenowane nadzorowanie oraz optymalizowane nagrodą.
Opublikowane przezEdytowane za pomocą GPT-5.6 TerraObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Qwen Drive 1.0 4B to model vision language z otwartymi wagami, licencjonowany na zasadach Apache 2.0 i oparty na Qwen3.5 4B.
- Osobne moduły odpowiadają za percepcję BEV 3D i planowanie ruchu; udostępniono warianty planera trenowane nadzorowanie oraz optymalizowane nagrodą.
- Wagi są dostępne w Hugging Face, a publiczne repozytorium GitHub zawiera kod inferencji, dokumentację, dane demonstracyjne i narzędzia ewaluacyjne.
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 to udostępniony na otwartych wagach model vision-language Alibaba Qwen do badań nad autonomiczną jazdą, opracowany wspólnie z Huazhong University of Science and Technology. Zamiast przekształcać bazowy model Qwen3.5-4B w nieprzejrzysty, kompletny system typu end-to-end, projekt zachowuje wspólny multimodalny rdzeń i dołącza do niego zewnętrzne moduły percepcji z perspektywy BEV oraz planowania ruchu. Wagi i towarzyszące im oprogramowanie wydano na licencji Apache 2.0. 10
11
15
Jeden wspólny VLM, dwa dołączane moduły
Wspólny model Qwen3.5-4B przetwarza obrazy oraz język. Obsługuje wizualne odpowiadanie na pytania, również dotyczące scen drogowych, a ponadto dostarcza reprezentacji używanych przez dodatkowe komponenty. Zgodnie z założeniem Qwen, system ma zyskać kompetencje związane z jazdą bez zastępowania ogólnej architektury multimodalnej modelu bazowego. 10
11
Model rozszerzają dwa moduły zewnętrzne:
- Głowica percepcji BEV: głowica w stylu BEVFormer przetwarza reprezentacje z kamer obejmujących otoczenie pojazdu i generuje wyniki wykrywania 3D, semantycznej predykcji zajętości przestrzeni oraz segmentacji mapy w rzucie z góry. Dokumentacja percepcji opisuje do 300 ramek 3D w siedmiu ujednoliconych klasach, siatkę zajętości 200 × 200 × 16 dla 10 klas oraz raster mapy 60 m × 30 m o rozdzielczości 0,15 m dla sześciu klas.
18
- Planning Expert: oddzielny moduł, który generuje przyszłe trajektorie pojazdu własnego na podstawie wspólnych reprezentacji. Projekt normalizuje trajektorię do 50 pozycji w układzie pojazdu — położenia i kierunku — próbkowanych z częstotliwością 10 Hz przez pięć sekund. Dzięki temu heterogeniczne publiczne zbiory danych drogowych mogą korzystać z jednego celu planowania.
1
Taki podział ma znaczenie badawcze. Zespół może analizować percepcję niezależnie od planowania, porównywać planowanie bezpośrednie z planowaniem uwarunkowanym tekstowym rozumowaniem albo wymieniać i testować wpływ poszczególnych modułów bez zmiany rdzenia VLM.
planner-sft i planner-rl: czym się różnią?
Qwen publikuje dwa warianty planowania zbudowane wokół tego samego rdzenia:
planner-sftto Planning Expert trenowany nadzorowanie, czyli przez naśladowanie danych o jeździe. Może generować trajektorie bezpośrednio albo po wcześniejszym wygenerowaniu przez model tekstowego uzasadnienia.planner-rlzostał następnie zoptymalizowany metodą opartą na nagrodach względem celów benchmarkowych. Dokumentacja projektu zaleca stosowanie go w trybie planowania warunkowanego rozumowaniem, ponieważ podczas optymalizacji jego przebiegi były warunkowane próbkowanym rozumowaniem.
Rozróżnienie to wyjaśnia istotny kompromis w ewaluacji. Optymalizacja nagrodą może poprawiać wyniki związane z dopasowaniem do preferencji lub z metrykami zorientowanymi na pseudozamkniętą pętlę, a zarazem nieznacznie pogarszać błąd odchylenia od zarejestrowanej trajektorii człowieka w ocenie open-loop. Te metryki odpowiadają na inne pytania: niższy błąd trajektorii nie oznacza automatycznie lepszego wyniku preferencyjnego ani lepszej oceny w zamkniętej pętli. 1
Trzy tryby uruchamiania
Publiczny cookbook opisuje trzy tryby inferencji: 17
| Tryb | Co jest uruchamiane | Wynik |
|---|---|---|
VQA |
Tylko VLM | Odpowiedź tekstowa |
DIRECT_PLANNING |
Jedno przejście VLM, a następnie Planning Expert | Trajektorie |
REASONING_PLANNING |
VLM tworzy uzasadnienie, następnie ekspert używa tego kontekstu | Uzasadnienie i trajektorie |
Tryby korzystają z tej samej sieci bazowej. Różnią się tym, czy generowane jest uzasadnienie oraz czy planer otrzymuje reprezentacje uwzględniające wygenerowany kontekst. 17
Trening etapowy i ujednolicone adnotacje
Qwen opisuje etapowy proces treningowy, łączący specyficzny dla jazdy nadzór nad percepcją 3D, pytania i odpowiedzi dotyczące scen drogowych oraz planowanie z danymi vision-language ogólnego przeznaczenia. Potok danych mapuje odmienne etykiety percepcyjne na wspólną taksonomię, ujednolica odpowiedzi w driving VQA i konwertuje trajektorie z publicznych zbiorów do wspólnego formatu punktów pośrednich. 1
11
Podejście ma łączyć specjalizację z zachowaniem wcześniejszych zdolności: model powinien lepiej rozumieć sceny drogowe i planować ruch, nie tracąc przy tym ogólnych kompetencji obrazowo-językowych bazowego VLM. Dostępne materiały potwierdzają, że był to cel projektu i jego ewaluacji, ale same w sobie nie stanowią kompleksowego, niezależnego potwierdzenia wyników na wszystkich benchmarkach wiedzy ogólnej lub rozumowania przestrzennego. 1
11
Co pokazują wyniki — a czego nie dowodzą
Według raportowanych przez Qwen wyników planowania wariant RL osiągnął wyższy wynik NAVSIM v1.1 PDMS niż SFT: 90,7 wobec 88,2. Przy próbkowaniu best-of-six wartości wzrosły odpowiednio do 91,4 i 89,3. Projekt podaje też wyniki end-to-end RFS dla Waymo Open Dataset: 7,91 dla RL oraz 7,78 dla SFT. W ocenie open-loop NVIDIA PhysicalAI trzysekundowy minADE wyniósł 0,38 m dla RL i 0,34 m dla SFT. 1
Repozytorium zgłasza też poprawę wyników driving VQA względem wymienionego bazowego Qwen3.5-4B w kilku benchmarkach ukierunkowanych na jazdę, m.in. LingoQA, VLAD, SURDS, WaymoQA i miarach w stylu DriveLM. 1
Są to jednak wyniki raportowane przez twórców projektu, a nie niezależna certyfikacja bezpieczeństwa ani gotowości do wdrożenia. Wyniki planowania, podobieństwo w trybie open-loop do zarejestrowanych trajektorii, metryki oparte na preferencjach i walidacja bezpieczeństwa w rzeczywistym ruchu drogowym to odrębne kwestie. Qwen określa wydanie jako wstępny krok o charakterze badawczym, a nie produkcyjny system autonomicznej jazdy. 5
11
Co mogą pobrać i uruchomić deweloperzy
Repozytorium modelu w Hugging Face udostępnia wagi i konfiguracje Qwen-Drive-1.0-4B, a po kod, dane demonstracyjne i dokumentację odsyła do publicznego repozytorium QwenLM/Qwen-Drive-1.0. 10
12
Projekt na GitHubie zawiera modułowe materiały do inferencji i ewaluacji. Deweloperzy mogą między innymi:
- uruchamiać VQA dla obrazu i tekstu, także dla scen drogowych;
- korzystać z dostarczonych demonstracji jazdy;
- generować trajektorie w planowaniu bezpośrednim lub warunkowanym rozumowaniem;
- analizować wyniki percepcji BEV;
- pracować z opublikowanymi formatami scen i ewaluacji;
- eksperymentować z publicznymi zbiorami danych oraz własnymi wejściami scen.
Samo wydanie nie pozwala odtworzyć całego procesu treningowego. Nieopublikowane zbiory treningowe, adnotacje, etykiety preferencji oraz dane zastrzeżone pozostają poza zakresem, który można zrekonstruować wyłącznie na podstawie publicznych wag i kodu. 1
5
Dlaczego modułowość jest tu najważniejsza
Największa wartość Qwen-Drive-1.0-4B leży w roli platformy badawczej. Projekt wyraźnie rozdziela rozumienie obrazu i języka, percepcję 3D oraz planowanie. Dzięki temu badacze mogą precyzyjniej ustalać, czy dana zmiana poprawia reprezentację sceny, generowanie trajektorii, rozumowanie językowe czy jedynie dopasowanie do celu nagrody konkretnego benchmarku.
Architektura zostawia też przestrzeń na rozszerzenia: wymianę głowic, tworzenie własnych scen i stosowanie alternatywnych układów kamer lub czujników. Nie jest to więc teza, że model o skali 4 mld parametrów rozwiązał problem autonomicznej jazdy, lecz otwarty punkt wyjścia do sprawdzania, jak wspólny VLM może wspierać interpretowalne komponenty systemów jazdy autonomicznej. 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: otwarty model Alibaba rozdziela percepcję i planowanie jazdy"?
Qwen Drive 1.0 4B to model vision language z otwartymi wagami, licencjonowany na zasadach Apache 2.0 i oparty na Qwen3.5 4B.
What are the key points to validate first?
Qwen Drive 1.0 4B to model vision language z otwartymi wagami, licencjonowany na zasadach Apache 2.0 i oparty na Qwen3.5 4B. Osobne moduły odpowiadają za percepcję BEV 3D i planowanie ruchu; udostępniono warianty planera trenowane nadzorowanie oraz optymalizowane nagrodą.
What should I do next in practice?
Wagi są dostępne w Hugging Face, a publiczne repozytorium GitHub zawiera kod inferencji, dokumentację, dane demonstracyjne i narzędzia ewaluacyjne.