Qwen-Drive-1.0: Alibaba apresenta modelo de visão-linguagem para direção autônoma

Um modelo único para perceber, responder e planejar

A Alibaba deu um passo importante na corrida pela direção autônoma com o Qwen-Drive-1.0, um modelo de visão-linguagem (VLM) que reúne três capacidades que hoje costumam viver em sistemas separados: percepção 3D, resposta a perguntas visuais e planejamento de movimento.

O anúncio, publicado como pré-print no arXiv, apresenta o modelo como um “primeiro passo” em direção a um modelo de fundação unificado para direção autônoma. A aposta é ambiciosa: em vez de encadear módulos distintos para detecção de objetos, compreensão de cena e tomada de decisão, o Qwen-Drive-1.0 tenta fazer tudo a partir de representações compartilhadas de um único VLM.

Como a arquitetura funciona

O modelo mantém a arquitetura do VLM pré-treinado e adiciona duas peças especializadas. A primeira é uma cabeça de percepção bird’s-eye-view (BEV), que executa três tarefas em conjunto: detecção 3D de objetos, predição de ocupação semântica e segmentação de mapa BEV. Essa cabeça funciona como uma “sonda” que expõe a informação 3D acessível a partir das representações compartilhadas do modelo.

A segunda peça é um Planning Expert, que condiciona o planejamento de trajetórias futuras do veículo a essas mesmas representações. O resultado é um pipeline em que percepção e planejamento conversam diretamente, sem a perda de informação típica de sistemas modulares.

O treinamento segue uma receita em etapas que combina supervisão de direção com dados gerais de visão-linguagem. O objetivo é adquirir competência específica de condução sem perder a compreensão visual ampla e a capacidade de seguir instruções herdadas do modelo base.

Por que isso importa agora

O movimento se insere em um contexto competitivo claro: empresas chinesas vêm acelerando modelos multimodais de grande porte, e a direção autônoma é um dos campos de aplicação mais valiosos. A unificação de percepção e planejamento em um único modelo promete reduzir a complexidade de engenharia e o custo de manter pipelines fragmentados.

Vale, no entanto, calibrar a expectativa. O Qwen-Drive-1.0 é descrito pelos próprios autores como um passo inicial, divulgado em pré-print e sem alegações de implantação em veículos reais. Os resultados quantitativos completos e a comparação com líderes da área ainda precisam ser validados pela comunidade e em revisão por pares.