Qwen-Drive-1.0-4B: modelo de visión-lenguaje de código abierto de Alibaba para la conducción autónoma

El 6 de septiembre de 2026, el equipo de Qwen de Alibaba anunció la publicación de código abierto de Qwen-Drive-1.0-4B, un modelo de visión-lenguaje diseñado para la conducción autónoma. Este modelo se basa en Qwen3.5-4B y es el primero de su tipo en integrar la percepción 3D y el cuestionamiento visual durante el preentrenamiento, además de extenderse a la planificación de movimientos, manteniendo al mismo tiempo la arquitectura original de los modelos de visión-lenguaje preentrenados. El modelo utiliza un enfoque de entrenamiento por etapas, combinando la supervisión de conducción con datos visuales-lenguaje generales para mantener tanto las capacidades específicas del dominio como la comprensión visual general. Ofrece dos expertos de planificación: SFT y RL, y ha sido evaluado en percepción 3D, comprensión de escenas y planificación de movimientos. El modelo utiliza únicamente datos disponibles públicamente, estandarizando los formatos de trayectoria y evaluando el rendimiento desde escenarios de bucle abierto hasta bucle cerrado. Después del aprendizaje por refuerzo, logra mejoras significativas en la alineación humana y la seguridad de bucle cerrado con un mínimo error de desplazamiento de bucle abierto. Qwen-Drive-1.0-4B ya está disponible en GitHub, Hugging Face y ModelScope.