阿里千问开源首款自动驾驶视觉语言模型Qwen-Drive-1.0-4B

阿里把自动驾驶模型开源了，只有4B，我翻完直呼内行

　　我今天刷到一条开源动态，顺手点进模型卡，越看越精神。

　　阿里千问这周开源了Qwen-Drive-1.0-4B，基于Qwen3.5-4B构建，官方给的头衔相当大胆，首个面向自动驾驶的视觉语言基础模型。

　　很多朋友可能不知道视觉语言模型在车里是干嘛的。你开车时眼睛干的事，看红绿灯，认行人，判断旁边那辆车想不想变道，这台模型干的就是这个，只不过它还要接着往下算，算出方向盘该转多少度。

　　一个模型同时负责看懂和决定，中间省掉的信息损耗，就是实打实的安全冗余。

　　过去这套流程是拆开的，感知一个模型，规划一个模型，各干各的，中间靠工程师手写规则缝合。缝的地方就是事故高发区。

把“缝”的活儿交给模型自己干

　　Qwen-Drive-1.0的思路是把它缝回去。预训练阶段统一了3D感知和视觉问答，再一路扩展到运动规划，而且完全保留了原模型的架构。

　　说真的，最戳我的不是能力，是它的体量。

　　只有4B。

　　4B什么概念，你现在的旗舰手机跑不动大参数模型，但4B级别的东西，端侧是有机会塞进去的。车规芯片算力有限，模型每小一寸，成本就降一截，响应还更快。

　　别觉得端侧是小打小闹。云端方案每一帧都要传数据上服务器，延迟、隐私、网络覆盖全是坑，车端本地跑，这些问题直接消失。

　　这跟行业里堆大模型的路线，几乎是反着来的，图什么呢？

　　你想想看，这两年自动驾驶圈流行大力出奇迹，参数往上堆，数据往里灌，训练一次烧掉几百万度电。千问反手掏出一个小钢炮，意思很明确，把活干好，比块头大重要。

评测扎实，训练聪明

　　官方的评测做得也算厚道，3D感知，驾驶场景理解，通用视觉语言能力，开环、伪闭环、闭环运动规划全都测了一遍。SFT版本在所有基准上已经有竞争力，强化学习之后，只付出很小的开环位移误差，换来人类偏好对齐和闭环安全性的全面提升。

　　我去翻了翻训练方案，分阶段来，先拿通用视觉语言数据打底，再掺驾驶监督数据，通用能力没丢，开车的本事也学会了，两头都占。

　　这笔账怎么算都是赚的。

数据格式统一，社区友好

　　还有一个细节我很喜欢，它的规划样本全部用公开来源构建，还统一了各数据集的轨迹格式。怎么说呢，数据格式不统一这件事，是自动驾驶研究者的世纪噩梦，各家数据集各说各话，复现一篇论文能折腾掉半条命。

　　千问直接把路铺平了。

　　GitHub、Hugging Face、ModelScope三个渠道全挂出来，权重随便下。我顺手看了下社区反响，热度涨得挺快。

象征意义大于技术本身

　　我自己的感受是，这件事的象征意义大于技术本身。自动驾驶这颗明珠，一直握在少数几家车企和供应商手里，数据封闭，模型封闭。开源社区把这条路也卷平了之后，小公司、高校实验室、甚至独立开发者，都能在同一个起点上玩。

　　高校里那些做自动驾驶的课题组，以前拿不到车企的数据合作，基本只能做仿真。现在好了，下载权重，跑通基线，直接开搞。

　　更微妙的是数据这一环。各家车企把真实路测数据当命根子，开源社区绕开了这道墙，用公开数据先把方法论跑通，等于把整个领域的下限抬高了一截。

　　就像当年安卓把智能手机的门票打下来一样，开源从来不是慈善，是生态卡位。

　　谁的模型被全世界开发者拿来改，谁就定义了这条路的走法。

泼点冷水：离量产还有距离

　　当然，也得泼点冷水。视觉语言模型再强，离真正上车的安全冗余还差着十万八千里，仿真和实路之间隔着一整条死亡谷。开源模型更多是给行业提供一个强力底座，真要量产，后面还有硬仗。

　　但方向我认。其实吧，大而全的闭源路线走久了，总得有人试试小而美的开源路线，哪怕只是证明这条路能走通，都值得记一笔。

　　这种事开源圈发生过太多次了，Llama开源那年，也没人想到两年后满世界都是它的变体。

　　想想就觉得兴奋，说不定过两年，你车的辅助驾驶里，就跑着某个社区魔改过的4B小模型？

　　到那时候别忘记，这一切是从这周的一次开源开始的。