Qwen-Drive-1.0: مدل چندوجهی Qwen برای رانندگی خودران
هوش مصنوعیClaude Sonnet 5خلاصهٔ کامل‌تر
Qwen Team به همراه دانشگاه علم و صنعت هوآژونگ چین یه مدل جدید معرفی کردن به اسم Qwen-Drive-1.0 که مخصوص رانندگی خودرانه. پایه‌ش همون مدل بینایی-زبانی Qwen3.5-4B هست، یعنی مدلی که هم عکس می‌فهمه هم متن، ولی روش دو تا ماژول اضافه کردن: یکی برای دیدن سه‌بعدی صحنه (BEV Perception Head) و یکی برای برنامه‌ریزی مسیر حرکت (Planning Expert).
برای آموزشش یه پایپ‌لاین داده‌ی یکپارچه ساختن که داده‌های مختلف تشخیص اشیا، سوال‌وجواب تصویری و مسیرهای حرکت از چند تا دیتاست عمومی رو تبدیل به یه فرمت مشترک می‌کنه. نتیجه‌ش اینه که مدل هم می‌تونه به سوالات معمولی تصویری جواب بده، هم صحنه‌ی جاده رو بشناسه و هم مسیر آینده‌ی ماشین رو پیش‌بینی کنه، همه با یه مغز مشترک.
طبق جدول‌های عملکرد، نسخه‌ی SFT (یعنی نسخه‌ای که فقط با تقلید از داده آموزش دیده) توی آزمون‌های برنامه‌ریزی مسیر مثل NAVSIM و Waymo Open Dataset از مدل‌های رقیب بزرگ‌تری مثل Cosmos-Reason2-8B و MiMo-Embodied-7B جلوتره، اون هم با فقط ۴ میلیارد پارامتر. بعد از بهینه‌سازی با یادگیری تقویتی (RL)، امتیازش توی بعضی معیارها حتی بهتر هم میشه؛ مثلا امتیاز RFS روی Waymo Open Dataset به ۷.۹۱ می‌رسه.
کدش رو روی گیت‌هاب گذاشتن و وزن‌های مدل هم روی Hugging Face و ModelScope در دسترسه. برای اجراش یه GPU با حداقل ۲۴ گیگابایت حافظه پیشنهاد شده و یه دیتاست دمو هم همراهش اومده تا بدون نیاز به دیتای اضافه بشه امتحانش کرد.
نکات کلیدی:
- Qwen-Drive-1.0 روی پایه‌ی Qwen3.5-4B ساخته شده و سه تا کار رو با هم انجام می‌ده: درک سه‌بعدی، پاسخ به سوال تصویری و برنامه‌ریزی مسیر
- با وجود فقط ۴ میلیارد پارامتر، از رقبای بزرگ‌تری مثل Cosmos-Reason2-8B جلو زده
- نسخه‌ی RL بعد از بهینه‌سازی، امتیاز RFS روی Waymo Open Dataset رو به ۷.۹۱ رسونده
- کد و وزن‌های مدل روی گیت‌هاب و Hugging Face منتشر شده
- برای اجرا حداقل به یه GPU با ۲۴ گیگابایت حافظه نیاز داره
