AnswersPublished18 sources
Qwen-Drive-1.0-4B: Alibabas öppna körmodell delar upp perception och planering
Qwen Drive 1.0 4B är en öppen modell med 4 miljarder parametrar, licensierad under Apache 2.0 och byggd på Qwen3.5 4B. Den kombinerar en delad bild och språkmodell med separata moduler för BEV baserad 3D perception och trajektorieplanering.
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- Qwen Drive 1.0 4B är en öppen modell med 4 miljarder parametrar, licensierad under Apache 2.0 och byggd på Qwen3.5 4B.
- Den kombinerar en delad bild och språkmodell med separata moduler för BEV baserad 3D perception och trajektorieplanering.
- Utvecklare får tillgång till vikter via Hugging Face samt kod, demodata och utvärderingsverktyg i projektets publika 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 är Alibaba Qwens modell med öppna vikter för forskning om autonom körning, framtagen tillsammans med Huazhong University of Science and Technology. I stället för att träna om den underliggande bild- och språkmodellen Qwen3.5-4B till ett slutet, helt integrerat körsystem behåller projektet den gemensamma multimodala ryggraden och ansluter externa moduler för fågelperspektivbaserad 3D-perception (BEV, bird's-eye view) och rörelseplanering. Vikter och tillhörande programvara släpps under Apache 2.0-licensen. 10
11
15
En gemensam VLM och två utbytbara körmoduler
Den delade modellen Qwen3.5-4B hanterar bilder och språk. Den kan bland annat besvara frågor om bildinnehåll, inklusive frågor om trafiksituationer, och levererar representationer till de tillagda körkomponenterna. Qwens uttalade mål är att lägga till körfunktioner utan att ersätta basmodellens allmänna multimodala arkitektur. 10
11
Två externa moduler utökar modellen:
- BEV-huvud för perception: Ett huvud i BEVFormer-stil bearbetar representationer från bilens omgivningskameror och ger resultat för 3D-detektering, semantisk ockupans och kartsegmentering i BEV. Enligt den publicerade dokumentationen kan det ge upp till 300 3D-rutor över sju gemensamma klasser, ett ockupansrutnät på 200 × 200 × 16 över tio klasser och en kartraster på 60 m × 30 m med 0,15 meters upplösning över sex klasser.
18
- Planning Expert: En separat modul skapar framtida trajektorier för det egna fordonet utifrån de delade representationerna. Projektet standardiserar trajektorier till 50 positioner i fordonets koordinatsystem – position och färdriktning – med 10 Hz under fem sekunder. Därmed kan olika publika kördataset använda samma planeringsmål.
1
Uppdelningen är viktig i forskningssammanhang. Ett team kan analysera perception och planering var för sig, jämföra direkt planering med språkstyrd planering eller byta ut och testa bort enskilda moduler utan att ändra den centrala VLM:en.
Skillnaden mellan planner-sft och planner-rl
Qwen släpper två planeringsvarianter med samma ryggrad:
planner-sftär Planning Expert tränad med övervakad inlärning, eller imitationsträning. Den kan skapa trajektorier direkt eller efter att modellen först har genererat en textuell motivering.planner-rlhar optimerats vidare med belöningsbaserad träning mot mål som är kopplade till benchmarktester. Projektets dokumentation rekommenderar att den används för planering med genererat resonemang, eftersom optimeringskörningarna villkorades av samplade resonemang.
Detta förklarar en viktig avvägning i utvärderingen. Belöningsoptimering kan höja poäng som mäter anpassning till preferenser eller pseudo-sluten körloop, samtidigt som felet mot en inspelad mänsklig trajektoria i en öppen loop kan bli något större. Måtten besvarar olika frågor: ett lägre trajektorieavstånd innebär inte automatiskt bättre resultat på preferens- eller sluten-loop-liknande mått. 1
Tre sätt att köra modellen
Den offentliga kokboken beskriver tre inferenslägen: 17
| Läge | Vad som körs | Resultat |
|---|---|---|
VQA |
Endast VLM:en | Textsvar |
DIRECT_PLANNING |
Ett VLM-pass följt av Planning Expert | Trajektorier |
REASONING_PLANNING |
VLM:en skriver ett resonemang, sedan använder experten detta sammanhang | Resonemang och trajektorier |
Lägena använder samma underliggande nätverk. Skillnaden är om ett resonemang genereras och om planeraren får representationer som även omfattar den genererade texten. 17
Stegvis träning och gemensamma annotationer
Qwen beskriver en stegvis träningsstrategi som kombinerar körspecifik 3D-perception, VQA för trafiksituationer och planeringshandledning med allmänna bild- och språkdata. I processen mappas skilda perceptionsetiketter till en gemensam taxonomi, svar i kör-VQA revideras för konsekvens och trajektorier från publika dataset konverteras till samma waypoint-format. 1
11
Tanken är att förena specialisering med bibehållna breda förmågor: modellen ska få bättre förståelse för körscener och planering utan att helt tappa basmodellens generella bild- och språkfunktioner. Det publicerade materialet visar att detta varit ett mål för konstruktion och utvärdering, men räcker inte ensamt för att fastställa heltäckande, oberoende resultat på alla benchmarktester för allmänkunskap eller rumslig förståelse. 1
11
Vad de rapporterade resultaten visar – och inte visar
Qwens rapporterade planeringsresultat ger högre NAVSIM v1.1-PDMS för RL-planeraren än för SFT-varianten: 90,7 jämfört med 88,2. Med best-of-six-sampling stiger resultaten till 91,4 respektive 89,3. För Waymo Open Dataset redovisar projektet end-to-end-RFS på 7,91 för RL och 7,78 för SFT. I NVIDIA PhysicalAI:s utvärdering med öppen loop rapporteras tre sekunders minADE på 0,38 m för RL och 0,34 m för SFT. 1
Repositoryt redovisar också förbättringar i kör-VQA jämfört med en angiven Qwen3.5-4B-baslinje på flera körinriktade benchmarktester, bland annat LingoQA, VLAD, SURDS, WaymoQA och DriveLM-liknande mått. 1
Detta är projektets egna benchmarkresultat, inte en oberoende certifiering av säkerhet eller beredskap för användning på väg. Planeringspoäng, likhet med loggade mänskliga trajektorier i öppen loop, preferensbaserade mått och validering av säkerhet i verklig trafik är olika typer av påståenden. Qwen beskriver själv lanseringen som ett tidigt, forskningsinriktat steg – inte som ett färdigt system för självkörande fordon. 5
11
Detta kan utvecklare få tillgång till
Modellrepositoryt på Hugging Face innehåller vikter och konfigurationer för Qwen-Drive-1.0-4B och hänvisar till det publika repositoryt QwenLM/Qwen-Drive-1.0 för kodbas, demodata och dokumentation. 10
12
GitHub-projektet innehåller material för modulär inferens och utvärdering. Utvecklare kan bland annat:
- köra bild-text-VQA och VQA för körscener;
- köra medföljande kördemonstrationer;
- skapa trajektorier med direkt planering eller planering styrd av resonemang;
- granska resultat från BEV-perceptionen;
- arbeta med de publicerade scen- och utvärderingsformaten; och
- experimentera med publika dataset och egna sceninmatningar.
Utgåvan gör det dock inte möjligt att återskapa hela träningsprocessen. Icke-publicerade träningskorpusar, annotationer, preferensetiketter och proprietära data kan inte rekonstrueras enbart med de öppna vikterna och koden. 1
5
Därför är den modulära utgåvan intressant
Qwen-Drive-1.0-4B är främst intressant som forskningsplattform. Den gör gränserna mellan språk- och bildförståelse, 3D-perception och planering tydliga. Det kan ge mer upplysande ablationstester: forskare kan undersöka om en förändring förbättrar scenrepresentationen, trajektoriegenereringen, det språkliga resonemanget eller ett benchmarks specifika belöningsmål.
Projektet öppnar också för utbyggnader som utbytbara huvuden, egna scenkonstruktioner och alternativa kamera- eller sensoruppsättningar. Värdet ligger därför mindre i ett påstående om att en modell med 4 miljarder parametrar löser autonom körning och mer i att erbjuda en öppen utgångspunkt för att testa hur en delad VLM kan stödja mer granskbara körkomponenter. 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: Alibabas öppna körmodell delar upp perception och planering"?
Qwen Drive 1.0 4B är en öppen modell med 4 miljarder parametrar, licensierad under Apache 2.0 och byggd på Qwen3.5 4B.
What are the key points to validate first?
Qwen Drive 1.0 4B är en öppen modell med 4 miljarder parametrar, licensierad under Apache 2.0 och byggd på Qwen3.5 4B. Den kombinerar en delad bild och språkmodell med separata moduler för BEV baserad 3D perception och trajektorieplanering.
What should I do next in practice?
Utvecklare får tillgång till vikter via Hugging Face samt kod, demodata och utvärderingsverktyg i projektets publika GitHub repository.