Qwen-Drive 1.0 relie conduite autonome et assistant de bord

Alibaba, via sa branche recherche Qwen, a présenté Qwen-Drive 1.0, un modèle d’IA pensé pour la conduite et l’habitacle, le 7 septembre 2026 selon le papier cité par The Decoder. L’idée est simple à énoncer, moins à faire tenir ensemble : un seul modèle doit comprendre la scène routière, répondre à des questions sur la circulation et planifier la trajectoire. C’est important car les voitures mêlent désormais fonctions de conduite et d’infodivertissement sur un même calculateur, sans disposer d’infinies ressources de calcul.

Un modèle qui veut voir la route en trois dimensions

Qwen-Drive 1.0 repose sur Qwen3.5-4B, un modèle de base publié en février [à vérifier], auquel Alibaba ajoute deux modules. Le premier reconstruit une vue de dessus de l’environnement à partir des caméras, en repérant les objets, les zones occupées et le tracé de la route. Cette carte « bird’s-eye-view » sert aussi de test : elle permet de mesurer ce que le modèle extrait réellement des images, au lieu de supposer qu’un bon modèle texte-image comprend mécaniquement l’espace. Le papier rappelle que ce n’est pas le cas.

Le second module, baptisé Planning Expert, exploite les états internes du modèle pour préparer les prochains mouvements du véhicule. Dans les tests décrits, entraîner seulement ce module ne suffit pas. La perception spatiale reste faible tant que le modèle vision-langage n’est pas lui aussi ajusté sur des tâches spatiales. Autrement dit, la compréhension de la route ne se greffe pas comme un accessoire de tableau de bord.

Pourquoi le duo perception + langage compte autant

Les chercheurs partent d’un problème bien connu dans les modèles de conduite : à force de spécialisation, un système peut perdre une partie de ses connaissances générales, un phénomène appelé « catastrophic forgetting », soit l’effacement progressif de ce qu’il savait déjà. À l’inverse, un modèle très général qui sait décrire une image ne repère pas forcément les distances, les vides ou les positions en 3D. Qwen-Drive 1.0 tente de garder les deux capacités, car un véhicule doit parfois gérer une situation banale, parfois un cas rare. Et sur la route, les cas rares n’attendent pas l’ouverture d’un onglet d’aide.

Pour y arriver, l’équipe a combiné 24 jeux de données publics de scènes de trafic, hétérogènes et parfois imparfaits. Un autre modèle a standardisé les questions-réponses et les a alignées avec les données originales. Les chercheurs ont aussi fabriqué leurs propres exemples pour expliquer pourquoi une voiture doit freiner, par exemple lorsqu’un obstacle ou un animal apparaît.

Des gains mesurés, mais pas une compréhension parfaite

Sur ses propres bancs d’essai, Qwen-Drive 1.0 fait mieux que le modèle de base Qwen3.5-4B dans la plupart des catégories liées à la conduite et à la perception. Le plus gros écart apparaît sur les tâches d’explication causale, quand il faut dire pourquoi la voiture doit freiner ou tourner. Le modèle conserve aussi presque intactes ses performances hors conduite, avec même un léger mieux sur certaines tâches spatiales.

En simulation, la version entraînée avec renforcement a réduit la sortie de route de 24 % à 12 %. Elle a aussi adopté une conduite plus prudente, en parcourant moins de distance. Mais le papier signale une limite nette : les explications fournies par le modèle ne correspondent pas toujours à la manœuvre réellement choisie. Un feu rouge lointain et un enfant qui traverse n’impliquent pas la même réaction, pourtant le système peut les mélanger [à vérifier].

Ce que cela dit des voitures de demain

La publication défend une direction industrielle assez claire : dans les véhicules modernes, l’interface de bord et le système de conduite convergent vers une même unité de calcul. Dans ce contexte, un modèle qui sacrifie trop de polyvalence pour gagner seulement en pilotage n’est pas forcément le plus utile, puisque l’habitacle aurait alors besoin d’un autre modèle, et donc de ressources supplémentaires.

Reste un point de vigilance. Les auteurs reconnaissent que certains tests reposent sur des procédures qu’ils ont eux-mêmes conçues ou reconstruites, ce qui limite l’extrapolation au monde réel. Le modèle détecte aussi beaucoup moins bien les scènes filmées depuis d’autres véhicules, avec des caméras différentes, faute de données adaptées. La sécurité devient alors le sujet central : dès qu’un modèle de conduite peut être trompé par un panneau placé dans son champ de vision, la démonstration technique prend un léger goût de laboratoire.

Le groupe Qwen dit enfin mettre le modèle à disposition de la communauté de recherche sur Hugging Face, ModelScope et GitHub, ce qui devrait faciliter les comparaisons et les tests indépendants.