阿里千问开源自动驾驶视觉语言模型Qwen-Drive：统一感知、问答与规划

发布时间：2026-09-07 11:28 更新时间：2026-09-07 11:28 阅读量：2

国产开源大模型阵营在智能驾驶领域再落一子。阿里通义千问团队近日宣布开源面向自动驾驶的视觉语言基础模型 Qwen-Drive-1.0-4B。官方介绍称，这是首个面向自动驾驶场景的视觉语言基础模型之一，其核心特色在于通过预训练将3D环境感知与视觉问答能力进行统一建模，并进一步将能力扩展至运动规划任务。

从"看懂路"到"理解场景"，VLM进入自动驾驶

与传统自动驾驶方案依赖多个独立感知模块不同，视觉语言模型（VLM）尝试将"看见"与"理解"融为一体。Qwen-Drive在预训练阶段便统一了3D感知与视觉问答两大任务，使模型既能识别道路上的车辆、行人、交通标志等三维目标，又能对复杂交通场景进行语义理解与推理。这种"感知+认知"一体化的建模思路，被视为提升自动驾驶系统在长尾场景下泛化能力的重要探索方向。

不止于感知：能力延伸至运动规划

更具看点的是，Qwen-Drive并未止步于环境理解，而是将能力进一步扩展到运动规划环节。这意味着模型不仅能够描述"路上发生了什么"，还能基于对场景的理解给出相应的驾驶决策建议，向"端到端"的智能驾驶方案迈出了关键一步。这一技术路线若能在真实场景中得到充分验证，有望为高阶辅助驾驶乃至无人驾驶提供新的算法底座。

开源策略：为行业提供可复用的研发底座

此次开源的Qwen-Drive-1.0-4B模型采用4B参数规模，兼顾了性能与部署成本，便于学术界与产业界在此基础上进行二次开发。延续千问系列一贯的开源路线，阿里希望通过开放模型权重与研究细节，降低自动驾驶AI研发的准入门槛，吸引更多团队共同推动多模态大模型在车端与路侧场景的落地应用。

展望：大模型重塑智能驾驶技术栈

从行业趋势来看，以大模型为代表的AI技术正在深刻重塑自动驾驶的技术栈。无论是环境感知、决策规划还是人机交互，多模态大模型都展现出巨大的潜力。Qwen-Drive的开源，既是中国大模型团队在垂直行业落地的又一次尝试，也为"AI+出行"的融合创新提供了新的想象空间。后续该模型在真实路测中的表现，以及围绕它所形成的开源生态，值得业界持续关注。

继续阅读