Qwen-Drive: مدلی که هم می‌بینه هم رانندگی می‌کنه
هوش مصنوعیClaude Sonnet 5خلاصهٔ کامل‌تر
Qwen-Drive-1.0-4B یه مدل بینایی-زبانیه که Qwen رو پایه‌ی مدل Qwen3.5-4B خودش ساخته و زیر لایسنس Apache 2.0 رو Hugging Face منتشر کرده. فرقش با اکثر سیستم‌های رانندگی خودکار اینه که به‌جای داشتن چندتا مدل جدا برای تشخیص صحنه و برنامه‌ریزی مسیر، هر دو کارو با یه مدل واحد انجام می‌ده، پس دیگه لازم نیست چندتا سیستم رو به هم وصل کنی.
روی همون پایه‌ی زبانی، دو تا ماژول اضافه شده: یه سر ادراکی که از تصویرهای چندزاویه‌ی دوربین ماشین یه نمای بالا-به-پایین از صحنه می‌سازه (خودرو، عابر، دوچرخه‌سوار، خط‌کشی و مسیر قابل‌رانندگی رو تشخیص می‌ده)، و یه برنامه‌ریز که یه مسیر ۵ ثانیه‌ای پیش‌بینی می‌کنه و قبلش یه توضیح زبانی هم از دلیل تصمیمش می‌ده. دو نسخه از این برنامه‌ریز هست: یکی با یادگیری تقلیدی و یکی با یادگیری تقویتی که رو بنچمارک‌هایی مثل NAVSIM نمره‌ی بهتری می‌گیره.
نویسنده تو یه تست دستی، مدل رو رو کارت گرافیک خودش اجرا کرده (حدود ۱۲ گیگابایت VRAM مصرف کرده، یعنی رو یه کارت مصرفی قوی هم جواب می‌ده) و یه صحنه‌ی واقعی رانندگی رو بهش داده. مدل تو توصیف صحنه درست گفت که جاده خیسه و چراغ قرمزه، ولی وقتی نوبت برنامه‌ریزی مسیر رسید، همون مدل گفت از چراغ سبز رد شو و گاز بده؛ یعنی مستقیم با تشخیص درست خودش تناقض داشت.
به گفته‌ی نویسنده، این یعنی نمره‌ی بالای بنچمارک تضمین نمی‌کنه که مدل تو یه صحنه‌ی خاص هم درست عمل کنه. ایده‌ی یکی‌کردن ادراک و برنامه‌ریزی تو یه مدل قابل‌توضیح، قدم مهمیه، ولی همین یه تناقض تو یه تست زنده کافیه که بگیم این مدل‌ها هنوز آماده‌ی رانندگی واقعی نیستن.
نکات کلیدی:
- Qwen-Drive-1.0-4B رو پایه‌ی Qwen3.5-4B ساخته شده و ادراک صحنه و برنامه‌ریزی مسیر رو تو یه مدل واحد انجام می‌ده.
- دو نسخه برنامه‌ریز داره: یکی یادگیری تقلیدی (SFT) و یکی یادگیری تقویتی که رو NAVSIM و WOD نمره‌ی بهتری می‌گیره.
- اجرای محلی مدل حدود ۱۲ گیگابایت VRAM مصرف کرد؛ رو یه کارت گرافیک مصرفی قوی هم جواب می‌ده.
- تو یه تست واقعی، مدل چراغ قرمز رو درست تشخیص داد ولی برنامه‌ریزی مسیرش دستور گاز دادن از چراغ سبز رو داد.
- کل مدل به همراه سر ادراکی و هر دو برنامه‌ریز، تو یه ریپازیتوری Hugging Face با لایسنس Apache 2.0 در دسترسه.
