RespostasPublicado18 fontes
Qwen-Drive-1.0-4B aposta em módulos abertos para pesquisa em direção autônoma
O Qwen Drive 1.0 4B é um modelo de visão e linguagem de 4 bilhões de parâmetros, com pesos abertos sob licença Apache 2.0, construído sobre o Qwen3.5 4B. A arquitetura separa a percepção 3D em BEV do planejamento de movimento; há variantes de planejador supervisionado (planner sft) e otimizado por recompensa (planne...
Publicado porEditado com GPT-5.6 TerraImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O Qwen Drive 1.0 4B é um modelo de visão e linguagem de 4 bilhões de parâmetros, com pesos abertos sob licença Apache 2.0, construído sobre o Qwen3.5 4B.
- A arquitetura separa a percepção 3D em BEV do planejamento de movimento; há variantes de planejador supervisionado (planner sft) e otimizado por recompensa (planner rl).
- Pesos estão no Hugging Face, enquanto código, documentação, demos e ferramentas de avaliação estão no repositório público da Qwen no GitHub.
Prompt de IA
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
O Qwen-Drive-1.0-4B é o modelo de visão e linguagem para pesquisa em direção autônoma lançado com pesos abertos pela equipe Qwen, da Alibaba, em parceria com a Huazhong University of Science and Technology. Em vez de transformar o Qwen3.5-4B em uma pilha fechada de ponta a ponta, o projeto preserva esse modelo multimodal como núcleo compartilhado e acopla módulos externos para percepção em vista aérea — bird's-eye view (BEV) — e planejamento de movimento. Os pesos e o software associado são disponibilizados sob a licença Apache 2.0. 10
11
15
Um núcleo multimodal e dois módulos de direção
O Qwen3.5-4B compartilhado processa imagens e linguagem. Ele responde a perguntas visuais, inclusive sobre cenas de trânsito, e fornece as representações usadas pelos componentes voltados à direção. A proposta declarada da Qwen é acrescentar capacidades de direção sem substituir a arquitetura multimodal geral do modelo-base. 10
11
Dois módulos externos fazem essa extensão:
- Cabeça de percepção BEV: uma cabeça no estilo BEVFormer processa representações de câmeras ao redor do veículo e produz detecção 3D, ocupação semântica e segmentação de mapa em BEV. A documentação descreve até 300 caixas 3D em sete classes unificadas, uma grade de ocupação de 200 × 200 × 16 para dez classes e um mapa raster de 60 m × 30 m, com resolução de 0,15 m, para seis classes.
18
- Planning Expert: módulo separado que gera trajetórias futuras do veículo a partir das representações compartilhadas. As trajetórias são padronizadas em 50 poses no referencial do veículo — posição e orientação — a 10 Hz durante cinco segundos. Isso permite converter conjuntos públicos de direção com formatos diferentes para um mesmo alvo de planejamento.
1
Essa separação é relevante para pesquisa. Ela permite analisar percepção e planejamento individualmente, comparar o planejamento direto com o planejamento condicionado por explicações em texto e trocar ou remover módulos em testes de ablação sem alterar o VLM central.
Diferença entre planner-sft e planner-rl
A Qwen disponibiliza duas variantes de planejamento sobre a mesma base:
planner-sft: o Planning Expert treinado de forma supervisionada, ou por imitação de exemplos. Pode gerar trajetórias diretamente ou após o modelo produzir uma justificativa textual.planner-rl: versão posteriormente otimizada por recompensas com objetivos voltados a benchmarks. A documentação recomenda seu uso no planejamento condicionado por raciocínio, pois as simulações de otimização foram condicionadas a raciocínios amostrados.
A diferença ajuda a interpretar uma troca importante nas avaliações. A otimização por recompensa pode elevar notas de alinhamento a preferências ou métricas voltadas a um cenário pseudo-closed loop, mas piorar levemente o erro de deslocamento em avaliação open loop, que compara a trajetória prevista com uma trajetória humana registrada. São medidas de objetivos diferentes: erro menor contra o trajeto gravado não equivale automaticamente a melhor resultado em preferência ou em uma métrica de circuito fechado. 1
Três modos de executar o modelo
O guia público documenta três modos de inferência: 17
| Modo | O que é executado | Saída |
|---|---|---|
VQA |
Apenas o VLM | Resposta em texto |
DIRECT_PLANNING |
Uma passagem do VLM, seguida pelo Planning Expert | Trajetórias |
REASONING_PLANNING |
O VLM gera uma justificativa; depois, o especialista usa esse contexto | Raciocínio e trajetórias |
A rede subjacente é a mesma nos três casos. O que muda é se uma justificativa é produzida e se o planejador recebe representações que incluem esse texto gerado. 17
Treinamento e anotações unificadas
A Qwen descreve um treinamento em etapas que combina supervisão de percepção 3D, VQA de cenas de trânsito e planejamento com dados gerais de visão e linguagem. O processo mapeia rótulos heterogêneos de percepção para uma taxonomia comum, revisa respostas de VQA de direção para manter consistência e converte trajetórias de bases públicas para o formato padronizado de pontos de passagem. 1
11
A intenção é equilibrar especialização e preservação: ganhar entendimento de cenas de direção e capacidade de planejamento sem descartar as aptidões gerais de imagem e linguagem do VLM-base. Os materiais disponíveis sustentam que esse era um objetivo de projeto e de avaliação, mas não constituem, por si só, uma validação independente e abrangente em todos os benchmarks de conhecimento geral ou raciocínio espacial. 1
11
O que os resultados reportados mostram — e o que não mostram
Nos resultados de planejamento divulgados pela Qwen, o planejador RL supera o SFT na métrica PDMS do NAVSIM v1.1: 90,7 contra 88,2. Com amostragem de seis candidatos e seleção do melhor, os números sobem para 91,4 e 89,3, respectivamente. No teste ponta a ponta do Waymo Open Dataset, os valores de RFS reportados são 7,91 para RL e 7,78 para SFT. Já na avaliação open loop NVIDIA PhysicalAI, o minADE de três segundos é de 0,38 m para RL e 0,34 m para SFT. 1
O repositório também relata melhora do VQA de direção em relação à linha de base Qwen3.5-4B listada, em benchmarks como LingoQA, VLAD, SURDS, WaymoQA e medidas no estilo DriveLM. 1
Esses dados são resultados reportados pelo próprio projeto, e não uma certificação independente de segurança ou de prontidão para uso em vias públicas. Pontuações de planejamento, semelhança em open loop com trajetórias registradas, métricas baseadas em preferência e validação de segurança no mundo real são alegações distintas. A própria Qwen apresenta o lançamento como um passo inicial voltado à pesquisa, não como um sistema comercial de direção autônoma pronto para implantação. 5
11
O que desenvolvedores podem acessar
O repositório do modelo no Hugging Face hospeda os pesos e as configurações do Qwen-Drive-1.0-4B e direciona para o repositório público QwenLM/Qwen-Drive-1.0, no GitHub, onde estão código, dados de demonstração e documentação. 10
12
Os materiais públicos permitem, entre outras possibilidades:
- executar VQA de imagem e texto, inclusive sobre cenas de direção;
- rodar as demonstrações de direção fornecidas;
- gerar trajetórias por planejamento direto ou condicionado por raciocínio;
- inspecionar saídas de percepção BEV;
- trabalhar com os formatos de cena e avaliação liberados; e
- experimentar conjuntos de dados públicos e entradas de cena personalizadas.
O lançamento não reproduz, sozinho, todas as etapas de treinamento. Corpora não publicados, anotações, rótulos de preferência e dados proprietários continuam fora do que pode ser reconstruído apenas a partir dos pesos e do código públicos. 1
5
Por que a modularidade importa
O principal valor do Qwen-Drive-1.0-4B está em funcionar como plataforma de pesquisa. Ao explicitar as fronteiras entre entendimento de linguagem e visão, percepção 3D e planejamento, ele torna os testes de ablação mais informativos: é possível investigar se uma mudança melhora a representação da cena, a geração de trajetórias, o raciocínio em linguagem ou apenas um objetivo de recompensa específico de benchmark.
O projeto também abre espaço para extensões, como substituição de cabeças, construção de cenas próprias e layouts alternativos de câmeras ou sensores. Portanto, sua contribuição não é demonstrar que um modelo de 4 bilhões de parâmetros resolveu a direção autônoma, e sim oferecer um ponto de partida aberto para testar como um VLM compartilhado pode sustentar componentes de direção mais inspecionáveis. 11
18
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Qwen-Drive-1.0-4B aposta em módulos abertos para pesquisa em direção autônoma"?
O Qwen Drive 1.0 4B é um modelo de visão e linguagem de 4 bilhões de parâmetros, com pesos abertos sob licença Apache 2.0, construído sobre o Qwen3.5 4B.
Quais são os pontos-chave para validar primeiro?
O Qwen Drive 1.0 4B é um modelo de visão e linguagem de 4 bilhões de parâmetros, com pesos abertos sob licença Apache 2.0, construído sobre o Qwen3.5 4B. A arquitetura separa a percepção 3D em BEV do planejamento de movimento; há variantes de planejador supervisionado (planner sft) e otimizado por recompensa (planner rl).
O que devo fazer a seguir na prática?
Pesos estão no Hugging Face, enquanto código, documentação, demos e ferramentas de avaliação estão no repositório público da Qwen no GitHub.