阿里巴巴的研究部门近日发布了 Qwen-Drive 1.0，这是一个将环境空间感知、交通问答与路线规划整合于单一 AI 模型的系统。该模型基于 Qwen3.5-4B（2026 年 2 月发布）构建，通过增加两个模块——一个用于生成鸟瞰图以理解三维空间，另一个作为“规划专家”利用模型内部数据规划车辆未来数秒的运动——使模型既能作为驾驶系统运行，也能充当座舱助手，同时保留原有通用知识。研究团队在论文中强调，仅能描述图像的文本-图像模型并不会自动理解三维空间，空间感知能力必须经过专门训练才能获得。
现有驾驶模型通常采用通用文本-图像模型并在驾驶数据上微调，主要涉及交通情境的问答对。论文指出这种方法的两个弱点：仅靠交通问答训练，模型仍无法可靠检测距离、位置和空旷区域；而过度专业化于驾驶数据，则会导致“灾难性遗忘”，丢失原始训练中的广泛通用知识——这类知识在罕见、突发交通状况中恰恰最为关键。
Qwen-Drive 1.0 的训练流程分阶段进行：先训练感知模块，再结合感知与问答，随后进行路线规划，最后通过强化学习优化行为。视觉-语言组件整合了 24 个公开交通场景数据集，这些数据集结构各异且有时含错误，团队用 AI 模型标准化了问答并使其与原始数据对齐，还构建了自制的示例来解释为何车辆应做出特定驾驶决策（如哪个物体触发刹车）。
在 Qwen 自有的基准测试中，Qwen-Drive 1.0 在多数驾驶与感知类别上优于专用模型，且相比未修改的基座模型 Qwen3.5-4B，在交通场景问答上得分显著更高，尤其在解释因果（如为何刹车或转弯）方面差距最大。同时，模型在驾驶之外的测试上几乎无性能下降，部分空间任务得分甚至略有提升，表明通用能力得到保留。
在模拟器测试中，经过奖励重训的版本将车辆偏离道路率从 24% 降至 12%，且驾驶更谨慎、总行驶距离更短。然而，模型的解释并不总能准确指出情境的真实原因——例如，远处红灯与儿童闯入道路需要截然不同的反应时间，模型可能将两者混淆；计划的操作也并非总是与事先给出的推理一致。此外，部分结果基于作者自行设计或重建的测试流程，单项指标难以反映真实道路的复杂情况；当处理来自其他车辆、不同摄像头设置的画面时，模型检测能力大幅下降，因为适配这些配置的训练数据仍然缺失。
这一发布反映了汽车行业的一个趋势：信息娱乐系统与驾驶系统正从两个独立控制器向单一计算单元融合。论文作者认为，为追求纯粹驾驶性能而牺牲通用能力的模型在此背景下并不适用，因为座舱仍需单独的模型和额外算力来处理对话或开放式问题。Qwen-Drive 1.0 的架构旨在让一个模型同时承担驾驶与座舱功能，从而降低算力需求并保持知识连贯性。
对于 AI 产业观察者而言，该研究的意义在于：它验证了多模态大模型在具身智能（如自动驾驶）领域的可行性，同时揭示了当前技术的关键瓶颈——模型的空间理解与决策解释的一致性仍待提升。这也为后续研究指明了方向，即如何在保持通用能力的同时，增强模型对三维世界的结构化理解，并使其决策过程更可解释、更可靠。