自动驾驶大模型开始统一看懂、建图和规划
内容提要
Qwen发布Qwen-Drive-1.0，以Qwen3.5-4B为骨干，外接BEV感知头与规划专家，用流匹配生成未来5秒轨迹，训练数据283万条，驾驶问答均分69.43。其核心是让感知、解释与规划共享表示并保留可检查接口，但文本与轨迹一致性不足，距量产尚远，需独立复现与闭环验证。
延伸解读
共享表示与可检查接口的价值
文章指出，驾驶大模型的关键进步不是让语言模型直接控制车辆，而是让感知、解释与规划共享表示，同时保留可检查的中间接口。Qwen-Drive-1.0通过外接BEV感知头和规划专家，使工程师能检查模型是否看漏车辆或认错路缘，而不是只等最终轨迹出错。这种设计将端到端系统从完全黑箱改造成带探针的共享主干，便于定位错误发生在哪一层。
评测成绩的解读边界
Qwen-Drive-1.0-SFT在驾驶问答评测中平均分为69.43，但文章强调这仅是作者设定评测中的问答成绩，不能等同于道路安全率。开放环、伪闭环和闭环模拟成绩也不能替代真实道路对长尾事件、传感器故障和法规责任的验证。此外，代码页写的是“将提供”，不应据此声称项目已可完整复现。官方也承认文字推理与生成轨迹之间的一致性仍需加强。
短期适用场景与量产距离
文章认为，该模型短期内更适合作为研究底座、仿真规划器或驾驶数据分析工具，而非直接成为量产控制器。真正上车还需经过传感器冗余、实时性、故障降级和当地法规认证。对开发者而言，这种架构允许分别评测感知、问答、规划与跨模块一致性；对普通人，潜在价值不是车更会聊天，而是系统更容易解释它看到了什么以及为何给出某条轨迹。
独立复现与长尾风险
所有核心结果主要来自发布团队，尚需独立复现。公开数据集可能低估雨雪、施工、罕见交通参与者和地区交通规则差异，闭环模拟也可能存在仿真器偏差。即使模型平均成绩更好，极少数高后果错误仍可能决定系统能否部署。因此，在代码与权重真正开放前，应把官方结果视作待复现基线，并建立遮挡、逆光、传感器缺失等长尾场景集进行验证。
Q&A
Qwen-Drive-1.0是什么？它的核心架构是怎样的？
Qwen-Drive-1.0是Qwen团队于2026年9月10日发布的自动驾驶大模型。它以原生多模态的Qwen3.5-4B为主干，不改预训练VLM架构，外接两个模块：BEV感知头负责三维目标检测、语义占用预测和鸟瞰地图分割；Planning Expert读取共享表示，用流匹配生成车辆未来轨迹。
Qwen-Drive-1.0的训练数据和评测成绩如何？
训练数据全部来自公开数据集，共283万条样本；规划输出覆盖未来5秒、频率10Hz。Qwen-Drive-1.0-SFT在其驾驶问答评测中的平均分为69.43。
为什么Qwen-Drive-1.0要保留BEV感知头？
BEV把多摄像头画面投到统一鸟瞰坐标，显式表示车、道路、占用区域和可行驶空间。它像一块中间白板，工程师可以检查模型是否看漏车辆、是否把路缘认错，而不是只等最终轨迹出错。保留BEV是为了让感知、解释与规划共享表示，同时保留可检查的中间接口。
Qwen-Drive-1.0的Planning Expert是如何生成轨迹的？
Planning Expert是面向动作的扩散Transformer。它不是逐字写一段“左转理由”，而是在共享视觉语义表示上，通过流匹配逐步生成一组未来轨迹点。分阶段训练再把不同数据集的标签和轨迹格式统一，并混入通用视觉语言数据，降低只会驾驶题、却遗忘通用理解能力的风险。
Qwen-Drive-1.0目前有哪些局限和风险？
官方承认文字推理与生成轨迹之间的一致性仍需加强。69.43只是作者设定评测中的驾驶问答成绩，不能写成道路安全率；开放环、伪闭环和闭环模拟成绩，也不能替代真实道路里对长尾事件、传感器故障和法规责任的验证。代码页写的是“将提供”，不应据此声称项目已经可完整复现。所有核心结果主要来自发布团队，尚需独立复现。公开数据集可能低估雨雪、施工、罕见交通参与者和地区交通规则差异。闭环模拟也可能存在仿真器偏差。
Qwen-Drive-1.0对开发者和普通人有什么影响？
对开发者，这种架构把“端到端”从完全黑箱改造成带探针的共享主干。数据团队可以统一多数据集标签，评测团队可以分别测感知、问答、规划与跨模块一致性。对普通人，潜在价值不是车更会聊天，而是系统更容易解释“它看到了什么、为何给出这条轨迹”。短期内，它更适合作为研究底座、仿真规划器或驾驶数据分析工具，而不是直接成为量产控制器。
