阿里千问推出自动驾驶视觉语言基础模型Qwen-Drive-1.0-4B

9月6日消息，阿里千问本周正式开源Qwen-Drive-1.0-4B，这是一款面向自动驾驶场景的视觉语言模型，基于Qwen3.5-4B构建。官方称，Qwen-Drive-1.0是首个面向自动驾驶的视觉语言基础模型，在预训练阶段统一了3D感知与视觉问答，并扩展至运动规划，同时保留了预训练VLM的原始架构。

该模型采用分阶段训练方案，将驾驶监督数据与通用视觉语言数据结合，在获得驾驶特定能力的同时，保持通用视觉理解与指令遵循能力。Qwen-Drive-1.0-4B提供SFT和RL两个规划专家，官方评测覆盖3D感知、驾驶场景理解、通用视觉语言能力，以及开环、伪闭环和闭环运动规划。

据介绍，Qwen-Drive-1.0仅使用公开来源构建规划样本，统一了各数据集的轨迹格式，并从开环预测到闭环驾驶进行全面评估。SFT模型在所有基准上已具备竞争力；经过强化学习后，该模型以微小的开环位移误差为代价，在人类偏好对齐和闭环安全性方面获得全面提升。

目前，Qwen-Drive-1.0-4B的模型权重及相关资源已在GitHub、Hugging Face和ModelScope平台开放。