何が公開されたか
Qwen-Drive 1.0は、共有された言語モデル（Qwen3.5-4B）の上に2つのモジュールを追加した構成です。1つ目は3D空間の物体検出・占有領域の判定・道路形状の追跡から俯瞰マップ（バードアイビュー）を生成する知覚モジュール、2つ目は内部表現を使って数秒先の車両挙動を計画する「Planning Expert」。いずれもベースモデルの中間出力を参照します。学習は知覚→知覚＋Q&A→経路計画の順で進め、最後に強化学習で挙動を整えています。
なぜ重要か：「賢いVLM＝空間が分かる」ではない
今回の実験で明確になったのは、画像を詳細に言語化できるモデルが、そのまま3次元空間を把握できるわけではないという点です。追加モジュールだけを学習させ、視覚言語モデル本体を凍結した条件では空間精度が伸びず、本体自体を空間タスクで学習させて初めて大きく改善しました。Qwenチームは自社のHopChainベンチマークでも、画像・テキストのベンチマークで高得点を取るモデルが物体を誤分類し空間関係を取り違える現象を測定しています。空間理解は「大きくすれば勝手に生える能力」ではなく、意図して作り込む対象だという示唆です。
汎用性を捨てない設計思想
従来の運転特化モデルは、汎用の画像・テキストモデルを交通Q&Aデータで微調整する作りが主流でしたが、論文は2つの弱点を挙げます。Q&A中心の学習では距離・位置・空きスペースを安定して検出できないこと、そして過度な特化が「catastrophic forgetting（破滅的忘却）」を招き、稀で想定外の交通状況ほど効く一般知識を失うことです。この現象自体は既知で、Google DeepmindのPaLM-E（2023年）では小規模版が言語能力を大きく落とした一方、5620億パラメータの最大版はほとんど劣化しませんでした。
著者らの主張が実務的なのは、その理由づけです。現代の車両ではインフォテインメントと走行系が単一の計算ユニットに統合されつつあるため、汎用能力を捨てて運転性能だけを取ったモデルは割に合わない。対話やオープンな質問に応えるには結局コックピット側に別モデルと追加の計算資源が必要になるからです。実際Qwen-Drive 1.0は、運転外のテストでほぼ性能低下がなく、一部の空間タスクではむしろベースモデルを上回っています。
データ整備という地味な主戦場
視覚言語部分の学習では、構造がばらばらで誤りも混じる24種類の公開交通データセットを統合しました。質問と回答の書式をAIモデルで標準化し、元データと突き合わせています。さらに「なぜブレーキを踏むべきか、どの物体が引き金か」を説明する事例をチーム自ら作成しました。ベースモデルとの性能差が最も大きく開いたのが、まさに因果を説明するタスクだった点は、この作り込みと符合します。
残る弱点は「説明の信頼性」
モデルは各シーンで判断理由を述べ、青い線で計画経路を示します。動物の飛び出しで減速、赤信号で停止といった具合です。しかし説明が実際の原因を正しく指していないことがあり、遠くの赤信号と道路に踏み出した子どもを混同する例が報告されています。反応時間の要求がまるで違う両者を取り違えるのは軽い誤りではありません。加えて、示された計画操作が事前の推論と一致しないケースもあります。
評価の一部は著者らが設計・再構築した手順に依存しており、個別指標から実走行性能を読み取ることはできません。カメラ構成の異なる他車両の映像では検出能力が大きく落ち、その構成に適した学習データもまだ存在しません。安全面では、UC Santa Cruzの研究者がカメラの視野内にラベル付きの標識を置くだけで、歩行者を正しく検出していたDriveLMを横断中の歩行者側へ寄せさせた例があり、言語モデルと走行機能の結合は新たな攻撃面を開きます。研究の潮流は、自らの行動に応じて環境がどう変化するかまで予測するWorld Action Modelsへ移りつつあります。
💼 事業会社視点：これは自社にどう効くか
注目すべきは自動車業界より、説明可能AIを製品に載せようとしている全事業会社です。Qwen-Drive 1.0が示したのは「モデルが述べた理由と実際の出力が一致しないことがある」という事実で、これは与信審査、需要予測、EC のレコメンド、SaaSの異常検知でそのまま起きます。LLMが出す判断理由は、内部処理の忠実な記録ではなく「もっともらしい後付けの文章」になり得る。監査対応で理由文をそのままログに残している企業は、その前提を今すぐ社内で確認すべきです。
受託開発・SIerには短期の実利があります。Qwen3.5-4Bベースの4Bモデルが、24種の異種データセットを統合し書式を標準化する工程を経て特化性能を得ながら、汎用能力をほぼ落とさずHugging Face等で無償公開された。日本のメーカー・物流・インフラ企業が抱える現場映像や検査データに対し、「小型モデル＋自社データ整備」の提案がGPUコストを含めて現実的な価格で通せます。価値の源泉はモデルではなくデータ整備工程にある——ここを内製化するか外注するかが、この1〜2年の分岐点です。
セキュリティ責任者は、DriveLMがカメラ視野内の標識1枚で誤誘導された事例を、自社のマルチモーダル導入におけるリスク評価の前提に加えてください。入力画像が攻撃面になります。