自动驾驶模型通常把看懂场景、回答问题和生成路线分给不同系统，接口越多，信息在模块间损失的机会也越多。阿里云9月10日介绍并开放Qwen-Drive-1.0：它以Qwen3.5-4B为共享视觉语言底座，在不改基础模型架构的情况下外挂BEV感知头与规划专家，试图用同一套表示完成3D感知、驾驶问答和未来轨迹生成。

不改4B主干，把驾驶能力接在共享表示上

Qwen-Drive保留预训练VLM本体：问答直接由它处理；外部BEV感知头同时执行3D目标检测、语义占用预测和鸟瞰地图分割；规划专家读取同一表示，通过流匹配输出车辆未来五秒、10Hz采样的轨迹。感知头被刻意保持简单，更像一支探针，用来判断共享表示里是否真的保留了可解释的三维结构，而不是追求单项感知榜单冠军。

训练采用分阶段方案：先统一多个公开驾驶数据集的标签与轨迹格式，再把驾驶监督和通用视觉语言数据混合，减少领域训练造成的灾难性遗忘。规划部分提供SFT与RL两个专家；RL版本在带推理的规划模式下运行，奖励同时考虑NAVSIM、Waymo端到端指标和位移项。模型包中主VLM约9.1GB，两个规划专家各约2.1GB，感知头约0.5GB，模块边界清晰。

公开结果证明“能合并”，还没有证明“能上路”

在伪闭环NAVSIM v1.1测试中，RL规划专家的PDMS为90.7，六次采样后按真实答案挑选最佳轨迹的上界为91.4；在Waymo开放数据集端到端测试上，RFS为7.91。驾驶问答方面，SFT模型在官方列出的多项空间、因果与安全问题测试中优于Qwen3.5-4B底座，同时在通用视觉语言测试上大体保持原有水平。

这些数字需要连同边界阅读。best-of-6使用真实答案挑选轨迹，只能代表上界，实际车辆无法预先知道哪条样本最好；不同方法的训练数据和评测协议也不完全一致。在AlpaSim闭环的at-fault分数上，RL版本为0.37，低于官方表中Alpamayo-1.5的0.45，说明统一模型并非各项都领先。论文和模型卡没有给出真实道路里程、接管率、长尾天气表现或功能安全认证。

开源的真正价值，是让三条链路能被同场复测

这次发布不只给出一张成绩表。仓库包含四个规划示例、六帧感知数据、场景文件格式、各基准的预测与评分脚本，以及从VQA到规划、感知的推理入口。研究者可以固定同一底座，单独替换感知头、规划专家或训练数据，观察一个任务的改动是否伤害另一个任务，也能检查所谓三维能力究竟来自共享表示还是专用模块。

对自动驾驶团队，更实际的验证顺序是先复现公开结果，再用自有场景建立分层评测：问答看空间与因果理解，感知看对象、占用和地图一致性，规划看碰撞、舒适、交通规则与进度。最后还要加入传感器故障、夜间、遮挡、施工和罕见参与者，并记录模型何时应该拒绝规划或交给安全系统。

小编判断：统一表示是方向，独立安全链仍不可省

Qwen-Drive最值得关注的不是把三个任务写进同一张架构图，而是用一个体量可控、代码和权重可查的模型验证跨任务共享是否成立。若问答能解释场景、BEV头能暴露三维结构、规划专家又能沿同一表示行动，研发就有机会减少重复主干和接口漂移，并把语言理解带进驾驶决策。

但“统一”不能变成单点失效。感知、推理和规划共享表示，也意味着错误可能跨任务传播。真实部署仍需独立的安全约束、冗余感知、规则检查、人工定义的停止条件和封闭场地验证。现在更准确的定位，是一套可复现、可拆解、可复测的研究基础模型，而不是已经跨过量产门槛的自动驾驶系统。