Qwen-Drive-1.0-4B: Fahrbahn-Abweichung von 24% auf 12% gesenkt
Veröffentlicht am: 07.09.2026 um 16:48 Uhr | Redaktion boerse-global.de
In Zusammenarbeit mit der Huazhong University of Science and Technology hat Alibaba Qwen am 6. September 2026 das Modell Qwen-Drive-1.0-4B vorgestellt. Es handelt sich dabei um das erste visuell-sprachliche Basismodell (Vision-Language Model, VLM), das speziell für den Einsatz im Bereich des autonomen Fahrens konzipiert wurde.
Die Veröffentlichung umfasst neben dem Code auch die entsprechenden Gewichte, die unter der Apache-2.0-Lizenz auf Plattformen wie GitHub, Hugging Face und ModelScope zur Verfügung gestellt wurden.
Kombination von visueller Wahrnehmung und Bewegungsplanung
Das neue Modell basiert technologisch auf Qwen3.5-4B und erweitert die bestehende Architektur um spezifische Funktionen für den Straßenverkehr. Während herkömmliche visuell-sprachliche Modelle primär auf die Beantwortung von Fragen zu Bildinhalten ausgelegt sind, vereint Qwen-Drive-1.0-4B die 3D-Wahrnehmung und visuelle Analyse mit einer integrierten Bewegungsplanung.
Die Architektur des ursprünglichen Modells wurde dabei weitgehend beibehalten, jedoch durch einen einheitlichen Rahmen ergänzt, der die Planung von Fahrwegen direkt einbezieht. Hierfür wurden zwei zusätzliche Module implementiert, die sich auf die 3D-Kartierung und die Routenplanung konzentrieren.
Das Training des Modells erfolgte in mehreren Phasen, wobei eine Kombination aus spezifischer Fahrsupervision und allgemeinen multimodalen Datensätzen genutzt wurde. Für die Planungs-Stichproben griffen die Entwickler nach eigenen Angaben ausschließlich auf öffentlich zugängliche Daten zurück.
Optimierung durch Reinforcement Learning
Qwen-Drive-1.0-4B senkt die Fahrbahn-Abweichung in Simulationen von 24% auf 12% – ein Sprung, den auch Ihr System nutzen kann. Unser Leitfaden zeigt, wie Sie das Open-Source-Modell in Ihre Closed-Loop-Steuerung integrieren und die Präzision Ihrer Fahrzeuge steigern. Jetzt kostenlosen Praxisleitfaden anfordern
Um die Leistung des Systems an unterschiedliche Anforderungen anzupassen, bietet Alibaba Qwen zwei Varianten an: eine SFT-Variante (Supervised Fine-Tuning) und eine RL-Variante (Reinforcement Learning). Der Einsatz von Reinforcement Learning dient insbesondere dazu, das Verhalten der Künstlichen Intelligenz besser an menschlichen Präferenzen auszurichten und die Sicherheit in geschlossenen Regelkreisen (Closed-Loop) zu erhöhen.
Berichten zufolge erzielt die RL-Version des Modells nur minimale Fehler bei der Trajektorien-Verschiebung. Die Evaluierung des Systems umfasste ein breites Spektrum an Fähigkeiten, darunter das allgemeine Szenenverständnis sowie Tests in Open-Loop-, Pseudo-Closed-Loop- und Closed-Loop-Szenarien.
Validierung in Simulationen und bestehende Herausforderungen
Erste Testergebnisse deuten auf signifikante Verbesserungen durch gezielte Nachjustierungen hin. Ein Retraining des Modells führte dazu, dass die Abweichungen von der vorgegebenen Fahrbahn in Simulationen von ursprünglich 24 % auf 12 % gesenkt werden konnten. Dies unterstreicht das Potenzial des Modells, die Präzision autonomer Fahrsysteme durch die Integration von Sprach- und Bildverständnis zu steigern.
Sicherheitsbedenken bei Closed-Loop-Steuerung? Qwen-Drive-1.0-4B wurde mit Reinforcement Learning optimiert, um das Verhalten besser an menschlichen Präferenzen auszurichten. Erfahren Sie in unserem Report, wie Sie diese Technik nutzen, um die Sicherheit Ihres autonomen Systems zu erhöhen. Report zur Closed-Loop-Sicherheit jetzt sichern
Trotz dieser Fortschritte zeigen die Analysen auch Grenzen der aktuellen Technologie auf. Fachberichte weisen darauf hin, dass die sprachlichen Erklärungen, die das Modell für seine Entscheidungen generiert, nicht in jedem Fall mit den tatsächlich ausgeführten Fahrmanövern übereinstimmen.
Diese Diskrepanz zwischen der logischen Begründung und der physischen Umsetzung bleibt ein Bereich für zukünftige Entwicklungen in der Forschung zu visuell-sprachlichen Basismodellen für die Robotik.
