Qwen上架Qwen-Drive-1.0-4B：面向自动驾驶的多模态视觉语言模型

9月2日，Qwen团队在Hugging Face官方模型库上架了新的多模态模型Qwen/Qwen-Drive-1.0-4B，模型页面将其标注为一次官方模型更新。

根据模型卡信息，这是一款image-text-to-text（图像-文本到文本）模型，基于transformers框架构建，权重采用safetensors格式，参数规模为4B。

从页面标签来看，模型定位十分明确：qwen_drive、autonomous-driving（自动驾驶）、motion-planning（运动规划）、3d-perception（3D感知）与visual-question-answering（视觉问答）并列出现，指向一个面向自动驾驶研究场景的多模态模型。

也就是说，Qwen-Drive-1.0-4B要把视觉感知与语言推理结合起来，让模型在理解路况画面的同时，还能对驾驶决策、运动规划与视觉问答类任务做出回应。

4B的小参数规模是这一定位的另一个关键信号：相比动辄数百B参数的通用大模型，这样的尺寸更适合在车端或边缘设备上实验与微调，也便于研究社区在真实驾驶数据上快速验证。

这延续了Qwen把大模型能力向物理世界场景下沉的路线，也再次印证视觉语言模型正在成为自动驾驶技术栈中越来越常见的一环。

接下来值得关注的是：该模型在真实道路与闭环仿真中的表现、社区围绕它展开的运动规划与3D感知实验，以及Qwen是否会顺势推出更大尺寸的Drive系列版本。