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

阿里千问 9 月 6 日消息：本周开源基于 Qwen3.5-4B 构建的 Qwen-Drive-1.0-4B，官方称这是首个面向自动驾驶的视觉语言基础模型。它在预训练阶段统一了 3D 感知与视觉问答，并进一步扩展到运动规划，同时保留预训练 VLM 的原始架构；采用分阶段训练把驾驶监督与通用视觉语言数据结合，并提供 SFT 与 RL 两个规划专家。官方表示规划样本全部来自公开数据，统一了各数据集的轨迹格式；强化学习版本以微小开环位移误差为代价，换来了人类偏好对齐与闭环安全性的提升。

做了什么

Qwen-Drive-1.0-4B 基于 Qwen3.5-4B 构建，官方将其定位为“首个面向自动驾驶的视觉语言基础模型”：预训练阶段统一 3D 感知与视觉问答，再把能力扩展到运动规划，同时不改动 VLM 原始架构，因此仍保留通用视觉理解与指令遵循能力。

训练与评测

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，在获得驾驶能力的同时不牺牲通用能力。官方同步提供 SFT 和 RL 两个规划专家，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、伪闭环与闭环运动规划。

据介绍，规划样本全部使用公开来源构建并统一了轨迹格式；SFT 版本在所有基准上已具备竞争力，经过强化学习后，模型以微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两方面的提升。

怎么获取

GitHub：github.com/QwenLM/Qwen-Drive-1.0
Hugging Face：huggingface.co/Qwen/Qwen-Drive-1.0-4B
ModelScope：modelscope.cn/models/Qwen/Qwen-Drive-1.0-4B

让模型先看懂路，再学会开，视觉语言底座正在成为智驾的通用起点。