Qwen-Drive 1.0: modelo aberto para direção autônoma

A equipe Qwen, da Alibaba, publicou em 2 de setembro de 2026 o Qwen-Drive 1.0, um modelo de visão e linguagem voltado especificamente para direção autônoma. Os pesos foram liberados no Hugging Face sob licença Apache 2.0, e o artigo técnico correspondente foi submetido ao arXiv em 31 de agosto de 2026, com o identificador 2609.00111.

A proposta central é descrita pelos autores como um primeiro passo, não como um produto pronto para estrada. O que o modelo tenta resolver é uma divisão que hoje separa dois mundos na engenharia de veículos autônomos: de um lado, sistemas especializados de percepção 3D, que enxergam bem mas não explicam; de outro, modelos de visão e linguagem de propósito geral, que raciocinam sobre cenas mas não produzem as saídas geométricas de que um carro precisa.

O elemento que diferencia a abordagem é a restrição autoimposta: os pesquisadores mantiveram a arquitetura do modelo base — o Qwen3.5-4B, nativamente multimodal — inteiramente intacta, acoplando dois módulos externos em vez de reprojetar o interior do modelo.

Como o modelo é montado

Um codificador de visão compartilhado processa imagens de câmera única, imagens de múltiplas câmeras, sequências temporais e imagens gerais. A partir desse caminho compartilhado, dois módulos externos leem as representações:

• Cabeça de percepção BEV — constrói uma representação em vista aérea (bird’s-eye view) a partir de imagens multivista de um único quadro e executa conjuntamente três tarefas: detecção de objetos 3D, predição de ocupação semântica e segmentação do mapa em BEV. Os autores a descrevem como uma “sonda 3D explícita e inspecionável”, o que significa que suas saídas podem ser verificadas isoladamente, sem depender da interpretação do texto gerado.
• Planning Expert — um transformador de difusão adaptado às representações do modelo, que gera trajetórias futuras do próprio veículo com horizonte de 5 segundos por meio de flow matching, opcionalmente condicionado a uma justificativa textual do plano.

A escolha de manter o modelo base intocado tem uma consequência prática relevante: as perdas dos módulos externos fornecem um caminho adicional de gradiente para o percurso visual compartilhado durante o treinamento conjunto, o que permite melhorar a percepção sem descartar a capacidade linguística já adquirida.

O treinamento é descrito como escalonado, com uma receita de dados que unifica rótulos de bases diferentes, reescreve respostas, filtra amostras por consistência e mistura dados de direção com supervisão visual-linguística de propósito geral — uma estratégia explicitamente voltada a mitigar o esquecimento catastrófico, o fenômeno em que um modelo ajustado a um domínio novo perde competências anteriores.

Os números apresentados

Segundo a equipe, o Qwen-Drive-1.0-SFT alcança média de 69,43 em compreensão de cenas de direção, à frente tanto de modelos de propósito geral quanto de especialistas em direção e robótica incorporada. Alguns resultados individuais, comparados ao modelo base Qwen3.5-4B:

As duas últimas linhas são as mais informativas para avaliar a promessa do método. Em MMMU e MMBench — testes de conhecimento e raciocínio geral, sem relação com direção — o modelo especializado fica ligeiramente abaixo do modelo base. A queda é pequena, de menos de dois pontos, mas existe. Ou seja: a preservação da capacidade geral é boa, não é integral, e a própria tabela publicada mostra isso em vez de esconder.

No planejamento de movimento, o treinamento usou 2,83 milhões de amostras exclusivamente de dados públicos, com formato de trajetória unificado para previsões estáveis de 5 segundos a 10 Hz. A variante treinada com aprendizado por reforço (Qwen-Drive-1.0-RL) lidera em avaliação de ciclo aberto no WOD-E2E e no NAVSIM pseudo-fechado, com PDMS de 90,7 (e 91,4 na configuração melhor-de-6).

Já em ciclo fechado — a condição mais próxima da direção real, em que os erros do modelo se acumulam porque cada decisão altera o estado seguinte — o quadro se inverte. No AlpaSim, o Qwen-Drive-1.0-RL registra 0,37 e a versão SFT, 0,27, ambos abaixo do Alpamayo-1.5, com 0,45. É a diferença mais reveladora do conjunto de resultados, e convém não passar por cima dela.

Ressalvas metodológicas declaradas

Vale registrar três pontos que a própria equipe explicita nas notas de rodapé das tabelas, porque eles delimitam a leitura dos números:

• No LingoQA, a pontuação usada não vem do avaliador oficial LingoJudge, e sim do Qwen-Plus — um modelo da própria Alibaba. A equipe justifica a troca alegando que o avaliador oficial pontua de forma leniente e inconsistente, e informa que, pelo protocolo oficial, o resultado seria 79,4. A ressalva é honesta, mas um avaliador da casa julgando o modelo da casa é uma limitação metodológica que o leitor deve considerar.
• Todos os métodos foram pontuados pelo mesmo avaliador em cada benchmark, o que preserva a comparabilidade relativa.
• Os benchmarks usaram decodificação de baixa aleatoriedade (top-p 0,001, top-k 1, temperatura 0,01), configuração que reduz variação entre execuções.

Como em todo anúncio de laboratório, esses são resultados autorrelatados, ainda sem replicação independente. O artigo do arXiv é uma pré-publicação sem revisão por pares.

A licença é a novidade discreta

A verificação direta no repositório do Hugging Face confirma dados que o anúncio não destaca. O modelo está publicado como Qwen/Qwen-Drive-1.0-4B, com 4.539.265.536 parâmetros — cerca de 4,54 bilhões, portanto acima dos 4 bilhões do modelo base, diferença que corresponde aos dois módulos acoplados. O repositório foi criado em 27 de agosto de 2026, recebeu os arquivos em 28 de agosto e teve os ajustes finais de documentação em 2 de setembro, mesma data do anúncio público.

O campo de licença registra apache-2.0. Isso merece destaque porque a Alibaba tem usado licenças próprias em seus lançamentos de maior porte — a Qwen3.8-Max, por exemplo, saiu sob a Qwen3.8-Max License. A Apache 2.0 é uma licença permissiva reconhecida, que autoriza uso comercial, modificação e redistribuição, com concessão explícita de patentes e sem cláusula de restrição territorial ou de escala de uso.

Para um modelo voltado a veículos autônomos, o detalhe não é burocrático. Montadoras, fornecedores de sistemas embarcados e grupos de pesquisa que precisam auditar o que roda em um carro têm nessa licença uma base sobre a qual podem construir sem negociação contratual caso a caso.

Possibilidades e limites

O ponto mais interessante da proposta é a inspecionabilidade. Em sistemas de direção baseados em modelos de linguagem, uma crítica recorrente é que a explicação em texto pode não corresponder ao que o sistema de fato percebeu — a justificativa é plausível e a decisão foi outra. Ao expor uma cabeça de percepção BEV com saídas geométricas verificáveis, o desenho permite confrontar o que o modelo diz com o que ele detectou. Isso tem valor direto para certificação e para investigação de acidentes.

O limite está declarado pelos próprios autores na seção final do anúncio: a consistência entre o raciocínio textual e a trajetória gerada ainda precisa ser reforçada, e isso fica como trabalho futuro. Combinada com o desempenho inferior em ciclo fechado, a ressalva delimita bem o estágio: é uma base de pesquisa promissora, não um sistema pronto para operar um veículo.

Há ainda uma questão de escala. Com 4,54 bilhões de parâmetros, o modelo é pequeno para os padrões atuais de fundação — o que favorece execução embarcada, mas levanta a dúvida de quanto do desempenho se sustenta na variedade de situações raras que definem segurança viária. Nenhum dos benchmarks citados mede comportamento em cenários de cauda longa reais.

Conclusão

O Qwen-Drive 1.0 é relevante menos pelos números de referência e mais pela combinação de três escolhas: manter a arquitetura base intacta, expor uma sonda de percepção verificável e publicar tudo sob Apache 2.0 com dados de treinamento exclusivamente públicos. Esse conjunto favorece reprodutibilidade e auditoria — dois requisitos que o setor automotivo cobra e que a maioria dos lançamentos de modelos ignora.

O que observar a seguir: se surgirão avaliações independentes em ciclo fechado, se o código prometido no artigo do arXiv será efetivamente publicado, e se a Alibaba manterá a licença Apache 2.0 em eventuais versões maiores da linha ou voltará às licenças próprias.

Fontes e referências

• Qwen (Alibaba) — Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving
• arXiv, por Xin Zhou, Zongchuang Zhao, Zhibo Yang e colaboradores — arXiv:2609.00111 (cs.CV), submetido em 31 de agosto de 2026
• Hugging Face — Cartão do modelo Qwen/Qwen-Drive-1.0-4B