阿里通義千問團隊在 Hugging Face 上釋出了 Qwen-Drive-1.0-4B，這是首個在預訓練階段就統一 3D 感知與視覺問答的自動駕駛視覺語言基礎模型，並進一步擴充套件至運動規劃。模型基於 Qwen3.5-4B 視覺語言模型，通過外部模組實現 3D 目標檢測、語義佔用預測、BEV 地圖分割以及未來軌跡生成，同時保持預訓練模型的架構不變。
該模型採用分階段訓練策略，將駕駛監督資料與通用視覺語言資料結合，使模型在獲得駕駛專用能力的同時，保留廣泛的視覺理解和指令跟隨能力。其核心創新在於，通過一個外部的 BEV 感知頭 作為顯式、可檢查的 3D 探針，與共享的視覺語言模型協同工作，而規劃專家模組則基於共享表示生成未來自車軌跡。
在運動規劃評測中，Qwen-Drive-1.0 在多個公開資料集上展現了競爭力。例如，在 WOD-E2E 開放迴圈評測中，其 SFT 版本的 RFS 分數達到 8.45（驗證集），優於 SpanVLA 的 8.20 和 SimWAM 的 7.95；在 NAVSIM 偽閉環評測中，其 RL 版本 PDMS 分數達 90.7，超過 AutoVLA 的 89.6 和 SpanVLA 的 90.3。在 AlpaSim 閉環評測中，其 RL 版本 at-fault 分數為 0.37，高於 SFT 版本的 0.27。
在視覺語言理解方面，Qwen-Drive-1.0-SFT 在多個基準上表現突出。在 LingoQA 駕駛問答上，其得分 77.8，遠超 InternVL3.5-8B 的 46.4 和 Cosmos-Reason1-7B 的 45.2；在 Ego3D 深度估計上，其 RMSE 降至 7.78，顯著優於其他模型；在 WaymoQA 安全相關問答上，得分 70.7，高於多數對比模型。此外，在通用知識、推理和空間理解基準上，該模型也保持了較強的效能，如 MMMU 得分 72.7，MMStar 得分 75.9。
值得注意的是，模型在強化學習後，僅在開放迴圈位移上略有犧牲，但在人類偏好對齊和閉環安全性上獲得全面提升。團隊還發布了兩個規劃專家版本：planner-sft 支援直接規劃和推理規劃，planner-rl 則進一步在 NAVSIM PDMS、WOD-E2E RFS 和位移項上進行了獎勵最佳化，在推理規劃模式下表現最佳。
該模型的釋出標誌著自動駕駛領域向統一基礎模型邁出重要一步，將 3D 感知、視覺問答和運動規劃整合到單一框架中，可能降低自動駕駛系統開發的複雜度。對於 AI 產業而言，這展示了通用視覺語言模型在垂直行業的應用潛力，或將對自動駕駛晶片、感測器及演算法供應商產生連鎖影響。