阿里推出自動駕駛模型 Qwen-Drive-1.0：統一 3D 感知與軌跡規劃

想讓大模型學會開車，業內通常面臨兩難：要麼徹底推倒重來，專門訓一套端到端的自動駕駛模型；要麼把現成的多模態大模型生搬硬套進座艙，卻發現它根本沒有三維空間感，更做不了精細的軌跡控制。

阿里巴巴公佈了自動駕駛視覺語言基礎模型 Qwen-Drive-1.0。團隊沒有重構底模，而是給現有的通用視覺語言模型裝上了兩套專用「外掛」，一舉打通了空間感知與實車規劃。

不改底模，加掛兩套專用硬體

Qwen-Drive-1.0 建立在原生多模態模型 Qwen3.5-4B 之上。它的底層架構完全保持不變，無論是單視角、多視角駕駛影像，還是時序影像幀與通用圖片，都走同一套共享的視覺編碼通道。

改變發生在這個通道的外側。阿里團隊在外面掛接了兩個專門模組，直接讀取底模的特徵輸出。

第一個是 BEV（鳥瞰圖）感知頭。它就像一個顯式的三維探針，能從多視角單幀畫面構建鳥瞰圖表示，同時搞定 3D 目標檢測、語義佔有預測和 BEV 地圖分割。訓練時，它的損失訊號會作為額外的梯度回傳，反哺到底模的視覺路徑裡。

第二個是規劃專家（Planning Expert）。這是一個針對大模型表徵量身定製的 Diffusion Transformer，利用流匹配（flow matching）演算法生成未來 5 秒的自車運動軌跡，取樣頻率達到 10 Hz。有意思的是，系統還能把可選的文字版規劃理由作為條件，一起輸入給它。

283 萬公開資料練出的駕駛專家

整個訓練過程分為階段式推進，而且全部基於公開資料完成，資料總量達到 283 萬個樣本。由於各公開資料集的標註規範千奇百怪，阿里團隊統一了軌跡格式，才換來穩定的 5 秒軌跡輸出。

在基準測試中，經過微調的 Qwen-Drive-1.0-SFT 在駕駛視覺問答（QA）上的平均分達到了 69.43。這一成績不僅壓過了通用視覺語言模型，也把不少專門針對駕駛或具身智慧最佳化的垂類模型甩在身後。

在開環與閉環的運動規劃測試裡，它的表現同樣亮眼。不過團隊也坦言，模型嘴上解釋的「為什麼這麼走」和實際畫出的駕駛軌跡之間，有時還會出現不一致，這也是他們接下來要攻關的重點。

為什麼重要

我們認為阿里這一步走得相當聰明。很多車企和方案商卡在具身智慧的門檻上，很大程度是因為兼顧「通用常識」與「三維幾何控制」太貴、太難訓。Qwen-Drive-1.0 證明了不必為了車規控制去犧牲底模的通用語言能力，只要外掛介面設計得當，4B 級別的輕量底模也能兼職做老司機。

全套基於公開資料訓練也是個好訊號。這意味著學術界和中小團隊不必被封閉的自採車隊資料卡脖子，就能在通用的開源基模上跟進研究，部署門檻大大降低。

但挑戰也很真實。語言推理與實際物理軌跡脫節，在聊天時最多是胡說八道，在路上則是致命隱患。如何讓大模型的「所思」與軌跡專家的「所行」實現強一致性，將是這套方案真正走向實車量產必須跨過去的坎。