Das Qwen-Team hat mit Qwen-Drive-1.0 ein KI-Modell für autonomes Fahren vorgestellt. Die Basis bildet ein multimodales Sprachmodell mit vier Milliarden Parametern. Durch zwei externe Module verbindet es Bildverständnis, räumliche Erkennung und die Berechnung künftiger Fahrwege.
Zwei Module docken an das Basismodell an
Das Entwicklerteam nutzt dafür das hauseigene Modell Qwen3.5-4B. Dessen interne Architektur bleibt unangetastet, wird jedoch um zwei Einheiten für fahrbezogene Aufgaben ergänzt.
Quelle: Alibaba
Ein sogenannter BEV-Kopf wertet Kamerabilder aus der Vogelperspektive aus. Er übernimmt die dreidimensionale Objekterkennung, segmentiert digitale Straßenkarten und erfasst die räumliche Belegung der Umgebung.
Die zweite Einheit berechnet die Bewegung des Fahrzeugs. Ein Diffusion Transformer ermittelt die Fahrlinie für die nächsten fünf Sekunden im Zehn-Hertz-Takt. Auf Wunsch begründet das Modell diese Entscheidung vorab als kurzen Text.
Anzeige
Hohe Werte bei Fahrfragen und Routenplanung
Um das Modell zu schulen, vereinheitlichte das Team 2,83 Millionen Datensätze aus öffentlichen Quellen. Ein mehrstufiges Trainingsverfahren kombinierte die Fahrdaten mit allgemeinen Bild-Text-Aufgaben. So verhindert das Team, dass das Modell seine allgemeinen Fähigkeiten bei der Anpassung an den Straßenverkehr verliert.
In Frage-Antwort-Tests zu Verkehrsszenarien erreichte Qwen-Drive-1.0 im Schnitt 69,43 Punkte. Es platzierte sich damit vor spezialisierten Fahrmodellen wie Alpamayo-1.5 und allgemeinen Modellen wie InternVL3.5-8B. Bei Standardtests abseits des Straßenverkehrs blieb das Niveau dabei stabil, mit 85,53 Punkten im Benchmark MMBench.
In der Fahrplanung erzielte die mit Bestärkungslernen trainierte Variante im Simulations-Benchmark Navsim 90,7 von 100 Punkten auf der PDMS-Skala. Im Waymo-Fahrtest WOD-E2E wich die berechnete Fünf-Sekunden-Route im Schnitt um 1,27 Meter vom realen Fahrweg ab.
Quelle: Alibaba
Textbegründung und Fahrlinie noch nicht im Einklang
Trotz dieser Ergebnisse räumt das Team eine Schwachstelle ein: Die formulierte Begründung stimmt noch nicht verlässlich mit dem berechneten Fahrweg überein.
Die Entwickler wollen diesen Widerspruch in künftigen Versionen beheben, indem sie Textausgabe und Bewegungspfad enger miteinander verzahnen.
