Qwen-Drive menyatukan persepsi 3D dan perencanaan—bukan autopilot siap jalan

Melalui pengumuman Qwen tertanggal 3 September 2026, Qwen memperkenalkan Qwen-Drive-1.0 sebagai model fondasi visi-bahasa untuk riset mengemudi otonom. Model berbasis Qwen3.5-4B ini mempertahankan arsitektur VLM pralatih, lalu menghubungkan persepsi 3D, tanya-jawab visual atau VQA, dan perencanaan gerak melalui modul tambahan.

Proyek tersebut dikembangkan bersama Huazhong University of Science and Technology serta dirilis dengan kode, bobot model, dan data demonstrasi. Laporan TechNode tentang peluncuran Qwen-Drive mengonfirmasi fondasi Qwen3.5-4B dan penggunaan komponen terpisah untuk persepsi ruang serta pembentukan lintasan. Namun, yang tersedia adalah model dan perangkat evaluasi riset, bukan autopilot produksi yang telah divalidasi untuk mengendalikan kendaraan di jalan umum.

Arsitektur VLM tetap, keluaran berkendara datang dari modul tambahan

Qwen-Drive-1.0 memakai Qwen3.5-4B sebagai fondasi bersama untuk memproses masukan visual dan bahasa. Dekoder asli VLM tidak diubah dan tetap menangani VQA umum maupun pertanyaan tentang adegan berkendara, sedangkan dua modul eksternal menghasilkan keluaran yang lebih khusus.

BEV Perception Head membaca representasi bersama untuk mendeteksi objek 3D, memperkirakan okupansi semantik, dan menyegmentasikan peta dalam pandangan atas atau bird’s-eye view. Komponen ini berfungsi sebagai antarmuka yang dapat diperiksa untuk melihat informasi spasial yang tersedia di dalam representasi model.

Planning Expert memakai representasi VLM yang sama untuk membentuk lintasan ego masa depan, yaitu prediksi gerak kendaraan yang menjadi pusat pengamatan. Penyatuan tersebut karena itu terjadi pada fondasi representasi dan proses pelatihan, bukan karena satu keluaran model langsung menjadi perintah bagi kemudi, rem, atau aktuator kendaraan.

Persepsi 3D, VQA, dan lintasan menjawab persoalan berbeda

Aliran kerjanya bermula dari gambar kamera, termasuk tampilan beberapa kamera atau urutan bingkai. Fondasi visi-bahasa mengekstrak representasi yang kemudian dipakai melalui tiga jalur: dekoder bahasa menjawab pertanyaan, kepala BEV mengekspos struktur ruang, dan perencana menghasilkan kandidat lintasan kendaraan.

Ketiga keluaran itu tidak dapat dipertukarkan. Persepsi 3D menjelaskan objek dan susunan ruang di sekitar kendaraan; VQA menghasilkan jawaban bahasa tentang adegan; perencanaan memperkirakan posisi dan arah kendaraan pada waktu berikutnya. Jawaban yang benar mengenai lampu lalu lintas tidak otomatis menjamin lintasan yang aman, sebagaimana lintasan yang baik pada satu skenario tidak membuktikan ketahanan sistem dalam seluruh kondisi jalan.

Pelatihan dilakukan secara bertahap dengan menggabungkan pengawasan khusus berkendara dan data visi-bahasa umum. Anotasi persepsi dari berbagai dataset dipetakan ke ruang label bersama, format jawaban berkendara diselaraskan, dan lintasan dari dataset publik distandardisasi menjadi representasi waypoint yang seragam. Tujuannya adalah menambahkan kemampuan berkendara sambil mempertahankan kemampuan visual-bahasa dari model dasar.

Kode, bobot, data demo, dan dua perencana tersedia

Repositori resmi Qwen-Drive-1.0 menyediakan kode inferensi dan evaluasi, bobot VLM, BEV Perception Head, data demo, serta dua varian Planning Expert. Varian SFT dilatih melalui imitasi, sementara varian RL merupakan perencana yang dioptimalkan lebih lanjut menggunakan reward; keduanya berbagi VLM yang sama.

Repositori juga memuat resep untuk VQA, perencanaan, inferensi persepsi, visualisasi, dan pelaksanaan benchmark. Proyek menggunakan lisensi Apache 2.0 dan merekomendasikan GPU dengan memori sedikitnya 24 GB. Data demonstrasinya memungkinkan peneliti memeriksa bentuk masukan dan keluaran sebelum menyiapkan seluruh dataset evaluasi.

Keterbukaan ini membuat komponen model dan sebagian alur evaluasinya dapat diperiksa atau dijalankan secara lokal. Cakupannya tetap terbatas pada perangkat riset: paket tersebut tidak mencakup tumpukan kendaraan lengkap yang menghubungkan sensor fisik, kalibrasi, pelacakan objek, pengendali, aktuator, redundansi, dan penanganan kegagalan.

Benchmark model belum membuktikan keselamatan kendaraan produksi

Evaluasi penerbit mencakup tugas persepsi, pemahaman adegan, VQA, serta perencanaan dalam pengaturan open-loop, pseudo-closed-loop, dan closed-loop. Istilah closed-loop di sini merujuk pada lingkungan evaluasi yang memungkinkan keputusan model memengaruhi keadaan berikutnya; istilah tersebut tidak sama dengan bukti bahwa mobil nyata telah beroperasi tanpa pengemudi di jalan umum.

Peralihan dari prediksi lintasan ke sistem kendaraan menuntut bukti yang berbeda. Sistem produksi perlu menunjukkan integrasi sensor dan aktuator, batas kondisi operasional, respons ketika model tidak yakin, mekanisme aman saat komponen gagal, serta validasi dalam situasi dunia nyata. Rilis Qwen-Drive-1.0 tidak menyertakan klaim integrasi dengan kendaraan komersial tertentu, sertifikasi keselamatan, atau hasil uji jalan yang cukup untuk menetapkan kesiapan autopilot.

Pada saat peluncuran, posisi Qwen-Drive-1.0 paling tepat dipahami sebagai fondasi riset terbuka yang menyatukan representasi untuk bahasa, struktur 3D, dan prediksi gerak. Yang masih dibutuhkan untuk menilai kelayakan di kendaraan produksi adalah pengujian independen, rincian integrasi perangkat keras, evaluasi dunia nyata, dan dokumentasi keselamatan di luar benchmark model.

Baca juga:

• Arga meraih US$10 juta agar agen AI gagal di sandbox, bukan produksi
• Investor strategis atau VC? Modal yang murah bisa membatasi jalan keluar
• Hugging Face bukan sekadar gudang model: tiga bagiannya sering tertukar