Qwen-Drive-1.0-4B 是阿里巴巴 Qwen 團隊與華中科技大學共同開發的開放權重自動駕駛視覺語言模型（VLM）。它沒有把既有的 Qwen3.5-4B 視覺語言模型重訓成難以拆解的端到端自駕系統，而是保留共享的多模態骨幹，另行加掛鳥瞰圖（BEV）感知與運動規劃模組。模型權重及相關軟體以 Apache 2.0 授權釋出。101115

這項設計的重點不在宣稱「40 億參數就能解決自動駕駛」，而在於把場景理解、3D 感知與軌跡規劃之間的邊界攤開，讓研究人員能分別檢驗與替換各部分。

架構：一個共享 VLM，兩個可外接的駕駛模組

共享骨幹 Qwen3.5-4B 負責處理影像與文字，可回答一般視覺問答及駕駛場景相關問題，也為額外的駕駛模組提供表徵。Qwen 的設計目標是讓模型獲得駕駛能力時，仍保有原本通用多模態架構。1011

在此骨幹之外，系統加上兩個模組：

• BEV 感知頭（BEV perception head）：採類 BEVFormer 架構，處理環視攝影機表徵，輸出 3D 物件偵測、語意佔據預測及 BEV 地圖分割。公開文件指出，系統最多可輸出 300 個、涵蓋 7 個統一類別的 3D 框；另有涵蓋 10 類的 200 × 200 × 16 佔據網格，以及範圍 60 公尺 × 30 公尺、解析度 0.15 公尺、涵蓋 6 類的地圖柵格。18
• Planning Expert（規劃專家）：獨立模組根據共享表徵生成自車未來軌跡。專案將不同公開駕駛資料集的軌跡統一為 50 個自車座標系姿態點，每秒 10 個點、共 5 秒；每個姿態包含位置與朝向。111

模組化的好處是，研究團隊可分開檢驗感知與規劃，比較直接規劃與經文字推理後的規劃，或在不改動核心 VLM 的情況下替換模組、執行消融實驗。

planner-sft 與 planner-rl 差在哪裡？

Qwen 釋出兩種建立在同一骨幹上的規劃版本：

• planner-sft：以監督式學習或模仿學習訓練的 Planning Expert，可直接生成軌跡，也可先由模型產生文字理由後再規劃。117
• planner-rl：在此基礎上，再依面向基準測試目標的獎勵進行最佳化。由於其最佳化 rollout 是以抽樣出的推理內容為條件，專案文件建議將它用於推理條件式規劃。117

這也說明評測中的一個重要取捨：獎勵最佳化可提升偏好對齊或偏向偽閉環評測的分數，但相對於已記錄的人類駕駛軌跡，開環位移誤差可能略為變差。兩者衡量的問題不同；較低的軌跡誤差，不必然代表更好的偏好分數或閉環表現。1

三種推論模式

公開 cookbook 文件列出三種推論模式：17

模式	執行內容	輸出
VQA	僅 VLM	文字回答
DIRECT_PLANNING	VLM 執行一次後，交給 Planning Expert	軌跡
REASONING_PLANNING	VLM 先產生理由，再讓專家模組使用該脈絡	理由與軌跡

三種模式的底層網路相同；差別在於是否生成理由，以及規劃器讀取的表徵是否包含生成出的文字脈絡。17

訓練：以統一標註串接不同駕駛資料

Qwen 描述的訓練採分階段方式，結合駕駛專用的 3D 感知、駕駛視覺問答與規劃監督，以及通用視覺語言資料。資料管線會把來源不同的感知標籤映射到共同分類法，修訂駕駛 VQA 回答以提升一致性，並把公開資料集的軌跡轉換為共同的 waypoint 格式。111

這種做法意在兼顧專業化與能力保留：模型應增進駕駛場景理解及規劃能力，而不是犧牲基礎 VLM 原有的通用影像—文字能力。現有資料支持這是專案的設計與評估目標，但不足以單獨證明它已在所有通識或空間推理基準上獲得完整、獨立的驗證。111

已公布的結果：能說明什麼，不能說明什麼？

依 Qwen 公布的規劃結果，RL 規劃器在 NAVSIM v1.1 的 PDMS 為 90.7，高於 SFT 的 88.2；採 best-of-six 抽樣時，兩者分別為 91.4 與 89.3。Waymo Open Dataset 的端到端 RFS，RL 與 SFT 分別為 7.91、7.78；在 NVIDIA PhysicalAI 的開環評測中，3 秒 minADE 則為 RL 0.38 公尺、SFT 0.34 公尺。1

儲存庫也回報，與列出的 Qwen3.5-4B 基線相比，模型在 LingoQA、VLAD、SURDS、WaymoQA 及 DriveLM 類指標等多個駕駛 VQA 基準上有所提升。1

不過，這些都是專案自行公布的基準結果，並非安全認證或量產部署能力的獨立證明。規劃分數、與記錄軌跡的開環相似度、偏好型指標，以及真實道路安全驗證，分屬不同層次的主張。Qwen 也將此版本定位為早期、研究導向的嘗試，而不是已準備部署的自動駕駛系統。511

開發者可以取得與執行什麼？

Hugging Face 的模型儲存庫提供 Qwen-Drive-1.0-4B 權重與設定，並指向公開的 QwenLM/Qwen-Drive-1.0 GitHub 儲存庫，以取得程式碼、示範資料與文件。1012

開發者可利用公開資源：

• 執行影像文字與駕駛場景 VQA；
• 執行隨附的駕駛示範；
• 以直接模式或推理條件式模式生成軌跡；
• 檢視 BEV 感知輸出；
• 使用已釋出的場景與評測格式；
• 以公開資料集或自訂場景輸入進行實驗。111718

但這次釋出本身無法重現所有訓練環節。未公開的訓練語料、標註、偏好標籤及專有資料，不能只靠權重與程式碼完整還原。15

為何這個模組化釋出值得注意？

對研究用途而言，Qwen-Drive-1.0-4B 的價值在於明確區分語言與視覺理解、3D 感知和規劃。這讓消融實驗更有判讀空間：某項改動究竟改善了場景表徵、軌跡生成、文字推理，還是只對特定基準的獎勵目標有效？

專案也預留了延伸空間，例如替換感知頭或規劃頭、自訂場景建構，以及嘗試不同的攝影機或感測器配置。因此，它更適合作為測試「共享 VLM 如何支援可解釋駕駛元件」的開放起點，而非一項宣告自動駕駛問題已被解決的產品。1118

Qwen-Drive-1.0-4B 是阿里巴巴 Qwen 團隊與華中科技大學共同開發的開放權重自動駕駛視覺語言模型（VLM）。它沒有把既有的 Qwen3.5-4B 視覺語言模型重訓成難以拆解的端到端自駕系統，而是保留共享的多模態骨幹，另行加掛鳥瞰圖（BEV）感知與運動規劃模組。模型權重及相關軟體以 Apache 2.0 授權釋出。101115

這項設計的重點不在宣稱「40 億參數就能解決自動駕駛」，而在於把場景理解、3D 感知與軌跡規劃之間的邊界攤開，讓研究人員能分別檢驗與替換各部分。

架構：一個共享 VLM，兩個可外接的駕駛模組

共享骨幹 Qwen3.5-4B 負責處理影像與文字，可回答一般視覺問答及駕駛場景相關問題，也為額外的駕駛模組提供表徵。Qwen 的設計目標是讓模型獲得駕駛能力時，仍保有原本通用多模態架構。1011

在此骨幹之外，系統加上兩個模組：

• BEV 感知頭（BEV perception head）：採類 BEVFormer 架構，處理環視攝影機表徵，輸出 3D 物件偵測、語意佔據預測及 BEV 地圖分割。公開文件指出，系統最多可輸出 300 個、涵蓋 7 個統一類別的 3D 框；另有涵蓋 10 類的 200 × 200 × 16 佔據網格，以及範圍 60 公尺 × 30 公尺、解析度 0.15 公尺、涵蓋 6 類的地圖柵格。18
• Planning Expert（規劃專家）：獨立模組根據共享表徵生成自車未來軌跡。專案將不同公開駕駛資料集的軌跡統一為 50 個自車座標系姿態點，每秒 10 個點、共 5 秒；每個姿態包含位置與朝向。111

模組化的好處是，研究團隊可分開檢驗感知與規劃，比較直接規劃與經文字推理後的規劃，或在不改動核心 VLM 的情況下替換模組、執行消融實驗。

planner-sft 與 planner-rl 差在哪裡？

Qwen 釋出兩種建立在同一骨幹上的規劃版本：

• planner-sft：以監督式學習或模仿學習訓練的 Planning Expert，可直接生成軌跡，也可先由模型產生文字理由後再規劃。117
• planner-rl：在此基礎上，再依面向基準測試目標的獎勵進行最佳化。由於其最佳化 rollout 是以抽樣出的推理內容為條件，專案文件建議將它用於推理條件式規劃。117

這也說明評測中的一個重要取捨：獎勵最佳化可提升偏好對齊或偏向偽閉環評測的分數，但相對於已記錄的人類駕駛軌跡，開環位移誤差可能略為變差。兩者衡量的問題不同；較低的軌跡誤差，不必然代表更好的偏好分數或閉環表現。1

三種推論模式

公開 cookbook 文件列出三種推論模式：17

模式	執行內容	輸出
VQA	僅 VLM	文字回答
DIRECT_PLANNING	VLM 執行一次後，交給 Planning Expert	軌跡
REASONING_PLANNING	VLM 先產生理由，再讓專家模組使用該脈絡	理由與軌跡

三種模式的底層網路相同；差別在於是否生成理由，以及規劃器讀取的表徵是否包含生成出的文字脈絡。17

訓練：以統一標註串接不同駕駛資料

Qwen 描述的訓練採分階段方式，結合駕駛專用的 3D 感知、駕駛視覺問答與規劃監督，以及通用視覺語言資料。資料管線會把來源不同的感知標籤映射到共同分類法，修訂駕駛 VQA 回答以提升一致性，並把公開資料集的軌跡轉換為共同的 waypoint 格式。111

這種做法意在兼顧專業化與能力保留：模型應增進駕駛場景理解及規劃能力，而不是犧牲基礎 VLM 原有的通用影像—文字能力。現有資料支持這是專案的設計與評估目標，但不足以單獨證明它已在所有通識或空間推理基準上獲得完整、獨立的驗證。111

已公布的結果：能說明什麼，不能說明什麼？

依 Qwen 公布的規劃結果，RL 規劃器在 NAVSIM v1.1 的 PDMS 為 90.7，高於 SFT 的 88.2；採 best-of-six 抽樣時，兩者分別為 91.4 與 89.3。Waymo Open Dataset 的端到端 RFS，RL 與 SFT 分別為 7.91、7.78；在 NVIDIA PhysicalAI 的開環評測中，3 秒 minADE 則為 RL 0.38 公尺、SFT 0.34 公尺。1

儲存庫也回報，與列出的 Qwen3.5-4B 基線相比，模型在 LingoQA、VLAD、SURDS、WaymoQA 及 DriveLM 類指標等多個駕駛 VQA 基準上有所提升。1

不過，這些都是專案自行公布的基準結果，並非安全認證或量產部署能力的獨立證明。規劃分數、與記錄軌跡的開環相似度、偏好型指標，以及真實道路安全驗證，分屬不同層次的主張。Qwen 也將此版本定位為早期、研究導向的嘗試，而不是已準備部署的自動駕駛系統。511

開發者可以取得與執行什麼？

Hugging Face 的模型儲存庫提供 Qwen-Drive-1.0-4B 權重與設定，並指向公開的 QwenLM/Qwen-Drive-1.0 GitHub 儲存庫，以取得程式碼、示範資料與文件。1012

開發者可利用公開資源：

• 執行影像文字與駕駛場景 VQA；
• 執行隨附的駕駛示範；
• 以直接模式或推理條件式模式生成軌跡；
• 檢視 BEV 感知輸出；
• 使用已釋出的場景與評測格式；
• 以公開資料集或自訂場景輸入進行實驗。111718

但這次釋出本身無法重現所有訓練環節。未公開的訓練語料、標註、偏好標籤及專有資料，不能只靠權重與程式碼完整還原。15

為何這個模組化釋出值得注意？

對研究用途而言，Qwen-Drive-1.0-4B 的價值在於明確區分語言與視覺理解、3D 感知和規劃。這讓消融實驗更有判讀空間：某項改動究竟改善了場景表徵、軌跡生成、文字推理，還是只對特定基準的獎勵目標有效？

專案也預留了延伸空間，例如替換感知頭或規劃頭、自訂場景建構，以及嘗試不同的攝影機或感測器配置。因此，它更適合作為測試「共享 VLM 如何支援可解釋駕駛元件」的開放起點，而非一項宣告自動駕駛問題已被解決的產品。1118