阿里千问开源Qwen-Drive 首个自驾视觉语言基座

时间：2026年9月6日（阿里千问本周内正式开源） 地点：中国·杭州（阿里巴巴通义千问团队），模型同步上线 GitHub、Hugging Face、ModelScope 三大平台 人物：阿里巴巴通义千问（Qwen）团队 事件详情：阿里千问开源了 Qwen-Drive-1.0-4B，这是一款基于 Qwen3.5-4B 构建的自动驾驶视觉语言模型。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，在预训练阶段就统一了 3D 感知与视觉问答，并进一步扩展到运动规划，同时完全保留了预训练 VLM 的原始架构未做改动。技术方案上，原生多模态的 Qwen3.5-4B 作为共享 VLM 主干，外挂两个模块：一个 BEV 感知头，联合完成 3D 目标检测、语义占据栅格预测与 BEV 地图分割；一个规划专家，基于共享 VLM 表征通过 flow matching 生成自车未来轨迹。未改动的 VLM 仍可对驾驶场景进行自由问答。模型采用分阶段训练方案，把驾驶监督数据与通用视觉语言数据结合，在获得驾驶专用能力的同时保留通用视觉理解与指令遵循能力，缓解灾难性遗忘。Qwen-Drive-1.0-4B 同时提供 SFT 与 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三档。 背景：Qwen-Drive-1.0 的规划样本仅使用公开来源构建，统一了各数据集的轨迹标注格式，并从开环预测一路评估到闭环驾驶。官方数据显示，SFT 模型在所有基准上已具备竞争力；经过强化学习后，模型仅以极小的开环位移误差为代价，换来了人类偏好对齐与闭环安全性方面的全面提升。配套技术报告已发布在 arXiv（编号 2609.00111），代码、演示数据与文档在 GitHub 仓库 QwenLM/Qwen-Drive-1.0 开放。 影响：此前自动驾驶领域的视觉语言模型多为在通用 VLM 之上做改造或裁剪，Qwen-Drive-1.0 选择保持预训练架构完全不变、以外挂模块补齐 3D 感知与轨迹规划，为业界提供了一条"通用基座不动、专用能力外接"的工程路径。4B 的参数规模对车端部署友好，加上完整开源权重与训练配方，中小车企与自动驾驶方案商可直接基于该模型做二次训练，降低自研 VLA/VLM 的门槛。BEV 感知头作为显式、可检视的 3D 探针，也回应了端到端方案长期被质疑的可解释性问题。 总结：阿里千问开源 Qwen-Drive-1.0-4B，主打"首个自动驾驶视觉语言基础模型"，在预训练阶段统一 3D 感知与视觉问答并扩展至运动规划，架构保持原生 Qwen3.5-4B 不变，提供 SFT 与 RL 双规划专家，权重与代码已在 GitHub、Hugging Face、ModelScope 全量开放。 参考来源： 1. IT之家 - 阿里千问开源 Qwen-Drive-1.0-4B：首个面向自动驾驶的视觉语言基础模型 https://www.ithome.com/0/998/997.htm 2. GitHub - QwenLM/Qwen-Drive-1.0 官方仓库 https://github.com/QwenLM/Qwen-Drive-1.0 3. Hugging Face - Qwen/Qwen-Drive-1.0-4B 模型页 https://huggingface.co/Qwen/Qwen-Drive-1.0-4B 4. ModelScope - Qwen/Qwen-Drive-1.0-4B 模型页 https://modelscope.cn/models/Qwen/Qwen-Drive-1.0-4B 5. arXiv - Qwen-Drive-1.0 技术报告 https://arxiv.org/abs/2609.00111 6. Hugging Face Papers - Qwen-Drive-1.0 论文页 https://huggingface.co/papers/2609.00111