阿里推出自动驾驶模型 Qwen-Drive-1.0：统一 3D 感知与轨迹规划

想让大模型学会开车，业内通常面临两难：要么彻底推倒重来，专门训一套端到端的自动驾驶模型；要么把现成的多模态大模型生搬硬套进座舱，却发现它根本没有三维空间感，更做不了精细的轨迹控制。

阿里巴巴公布了自动驾驶视觉语言基础模型 Qwen-Drive-1.0。团队没有重构底模，而是给现有的通用视觉语言模型装上了两套专用「外挂」，一举打通了空间感知与实车规划。

不改底模，加挂两套专用硬件

Qwen-Drive-1.0 建立在原生多模态模型 Qwen3.5-4B 之上。它的底层架构完全保持不变，无论是单视角、多视角驾驶图像，还是时序图像帧与通用图片，都走同一套共享的视觉编码通道。

改变发生在这个通道的外侧。阿里团队在外面挂接了两个专门模块，直接读取底模的特征输出。

第一个是 BEV（鸟瞰图）感知头。它就像一个显式的三维探针，能从多视角单帧画面构建鸟瞰图表示，同时搞定 3D 目标检测、语义占有预测和 BEV 地图分割。训练时，它的损失信号会作为额外的梯度回传，反哺到底模的视觉路径里。

第二个是规划专家（Planning Expert）。这是一个针对大模型表征量身定制的 Diffusion Transformer，利用流匹配（flow matching）算法生成未来 5 秒的自车运动轨迹，采样频率达到 10 Hz。有意思的是，系统还能把可选的文字版规划理由作为条件，一起输入给它。

283 万公开数据练出的驾驶专家

整个训练过程分为阶段式推进，而且全部基于公开数据完成，数据总量达到 283 万个样本。由于各公开数据集的标注规范千奇百怪，阿里团队统一了轨迹格式，才换来稳定的 5 秒轨迹输出。

在基准测试中，经过微调的 Qwen-Drive-1.0-SFT 在驾驶视觉问答（QA）上的平均分达到了 69.43。这一成绩不仅压过了通用视觉语言模型，也把不少专门针对驾驶或具身智能优化的垂类模型甩在身后。

在开环与闭环的运动规划测试里，它的表现同样亮眼。不过团队也坦言，模型嘴上解释的「为什么这么走」和实际画出的驾驶轨迹之间，有时还会出现不一致，这也是他们接下来要攻关的重点。

为什么重要

我们认为阿里这一步走得相当聪明。很多车企和方案商卡在具身智能的门槛上，很大程度是因为兼顾「通用常识」与「三维几何控制」太贵、太难训。Qwen-Drive-1.0 证明了不必为了车规控制去牺牲底模的通用语言能力，只要外挂接口设计得当，4B 级别的轻量底模也能兼职做老司机。

全套基于公开数据训练也是个好信号。这意味着学术界和中小团队不必被封闭的自采车队数据卡脖子，就能在通用的开源基模上跟进研究，部署门槛大大降低。

但挑战也很真实。语言推理与实际物理轨迹脱节，在聊天时最多是胡说八道，在路上则是致命隐患。如何让大模型的「所思」与轨迹专家的「所行」实现强一致性，将是这套方案真正走向实车量产必须跨过去的坎。