Por Canuto  

Qwen-Drive 1.0, el modelo de Alibaba que combina percepción espacial, preguntas sobre tráfico y planificación de rutas, redujo las salidas de carretera en simulaciones, pero todavía puede explicar una maniobra con una causa equivocada.
***

  • Qwen-Drive 1.0 integra percepción 3D, conversación sobre tráfico y planificación de movimientos en un mismo sistema basado en Qwen3.5-4B.
  • El reentrenamiento redujo del 24% al 12% la tasa de salidas de carretera en un simulador, aunque el vehículo recorrió menos distancia y condujo con mayor cautela.
  • Las explicaciones del modelo pueden no coincidir con la causa real del frenado ni con la maniobra que finalmente planifica.

Alibaba presentó Qwen-Drive 1.0 como un modelo de inteligencia artificial capaz de atender tres tareas vinculadas con la conducción: percibir espacialmente el entorno, responder preguntas sobre situaciones de tráfico y planificar la ruta del vehículo. El sistema busca resolver una tensión central de los automóviles definidos por software, donde la unidad de cómputo debe servir tanto para conducir como para sostener las funciones de un asistente de cabina. Sus resultados muestran avances en simulación, pero también dejan abierta una pregunta crítica: ¿la explicación que entrega la IA corresponde realmente a la decisión que tomó?

La información sobre el proyecto fue difundida el 7 de septiembre de 2026 y atribuye el desarrollo a la división de investigación de Alibaba. El modelo conserva la arquitectura de un modelo visión-lenguaje Qwen3.5 y la adapta para integrar percepción tridimensional, respuesta a preguntas visuales y planificación de movimientos. Esa arquitectura permitió reducir algunos errores de conducción, aunque las pruebas también expusieron limitaciones en la comprensión de escenas nuevas, las configuraciones de cámara y la relación entre razonamiento declarado y comportamiento efectivo.

Un solo modelo para entender, conversar y conducir

Qwen-Drive 1.0 toma como base Qwen3.5-4B y añade dos componentes diseñados para las necesidades de la conducción. Uno genera una vista cenital de los alrededores mediante la detección de objetos en tres dimensiones, el cálculo de áreas ocupadas y el trazado de la carretera; el otro, denominado Planning Expert, utiliza información interna del modelo para decidir el movimiento del vehículo durante los segundos siguientes. Todas las funciones pasan por un modelo de lenguaje compartido, en lugar de depender de sistemas completamente separados.

El equipo sostiene que esta integración resulta relevante porque los vehículos modernos concentran el sistema de conducción y el infoentretenimiento en una misma unidad de computación. Un modelo optimizado exclusivamente para manejar podría perder conocimientos generales útiles para responder preguntas abiertas, mantener diálogos o afrontar situaciones inusuales, lo que obligaría a incorporar otra arquitectura para la cabina. Qwen-Drive 1.0 intenta conservar esas capacidades mientras aprende a interpretar distancias, posiciones, espacios libres y relaciones entre objetos.

La investigación parte de una advertencia importante para el desarrollo de modelos visión-lenguaje: describir una imagen no equivale a comprender su geometría. Un sistema puede identificar correctamente un automóvil, un peatón o un semáforo y aun así equivocarse al calcular cuál objeto está más cerca, qué espacio permanece libre o cuánto tiempo queda antes de una posible colisión. Por esa razón, los autores incorporaron un módulo de percepción espacial que también funciona como una herramienta para medir cuánto contenido tridimensional extrae realmente la IA de las cámaras.

Cuando los investigadores entrenaron únicamente los componentes añadidos y mantuvieron intacto el modelo visión-lenguaje, la precisión espacial permaneció baja. El desempeño mejoró solo después de entrenar también el modelo base en tareas específicamente espaciales, una señal de que esa capacidad no aparece de forma automática por acumular conocimientos visuales y textuales. En la práctica, el resultado cuestiona la idea de que un modelo general pueda convertirse en conductor competente con un ajuste superficial basado únicamente en preguntas y respuestas sobre tráfico.

Entrenamiento, datos y conservación del conocimiento general

El entrenamiento de Qwen-Drive 1.0 avanzó por etapas. Primero se ajustó el módulo de percepción; después se combinaron las tareas de percepción y respuesta a preguntas, y más tarde se incorporó la planificación de rutas. El proceso terminó con un refinamiento mediante aprendizaje por refuerzo, método que busca favorecer comportamientos considerados más seguros dentro de los escenarios de evaluación.

Para entrenar el componente visión-lenguaje, el equipo reunió 24 conjuntos de datos públicos sobre escenas de tráfico. Esos repositorios tenían estructuras diferentes y, en algunos casos, contenían errores, por lo que un modelo de inteligencia artificial se encargó de estandarizar preguntas y respuestas y alinearlas con los datos originales. Los investigadores también elaboraron ejemplos propios para explicar por qué el automóvil debería adoptar una decisión concreta, como frenar ante un objeto determinado.

La estrategia pretende evitar el llamado olvido catastrófico, un problema en el que un modelo pierde conocimientos generales cuando se especializa demasiado en una tarea. Los autores comparan esta preocupación con el caso de PaLM-E, un sistema de Google DeepMind presentado en 2023 para lenguaje, imágenes y control robótico, cuyas variantes pequeñas perdieron una parte importante de sus capacidades lingüísticas después del entrenamiento robótico. En esa referencia, la versión más grande, con 562.000 millones de parámetros, sufrió una pérdida mucho menor.

En las evaluaciones propias de Qwen, Qwen-Drive 1.0 superó al modelo especializado de referencia en la mayoría de las categorías de conducción y percepción. También obtuvo resultados claramente superiores a Qwen3.5-4B sin modificar al responder preguntas sobre escenas de tráfico, con una diferencia especialmente amplia en tareas de causa y efecto, como explicar por qué un automóvil debe frenar o girar. El conocimiento general se mantuvo casi sin cambios en pruebas ajenas a la conducción y, en algunas tareas espaciales, el modelo incluso consiguió puntuaciones ligeramente mayores.

Menos salidas de carretera, pero explicaciones imperfectas

El equipo probó la planificación en varios niveles de dificultad, desde predicciones sencillas hasta un simulador en el que los errores se acumulan con el paso del tiempo. Después del ajuste mediante recompensas, la tasa de salidas de carretera cayó del 24% al 12% en ese entorno. El avance estuvo acompañado por un comportamiento más cauteloso y una menor distancia recorrida, una combinación que muestra una mejora en estabilidad, aunque no necesariamente una conducción más eficiente.

En cada escenario, el modelo produce una explicación de su decisión, por ejemplo, que frenó debido a un animal en la carretera o que se detuvo ante un semáforo en rojo. Esa capacidad puede ayudar a los desarrolladores a inspeccionar el comportamiento del sistema y detectar patrones de error, pero no debe confundirse con una prueba de que la explicación refleja el proceso causal que generó la maniobra. La investigación muestra precisamente que el texto producido por la IA y su acción pueden separarse.

Un semáforo rojo ubicado a distancia y un niño que entra repentinamente en la vía exigen tiempos de reacción muy distintos, pero el modelo puede confundir ambas causas al justificar lo ocurrido. Además, la maniobra planificada no siempre coincide con el razonamiento que el sistema había expresado antes, una discrepancia especialmente delicada en un contexto donde operadores, desarrolladores y pasajeros podrían confiar en esas explicaciones para evaluar la seguridad. Decir por qué se frena no garantiza, por sí solo, que la IA haya identificado correctamente el riesgo.

Los propios autores advierten que algunos resultados proceden de procedimientos de prueba diseñados o reconstruidos por el equipo, por lo que las métricas individuales no permiten anticipar con precisión cómo respondería el modelo ante el tráfico caótico del mundo real. El sistema también detectó muchos menos objetos al procesar material captado por otros vehículos con configuraciones de cámara diferentes. La falta de datos de entrenamiento adecuados para esas cámaras sigue siendo un obstáculo para trasladar los resultados entre automóviles y entornos.

Riesgos de seguridad y próximos pasos

Qwen-Drive 1.0 fue evaluado con HopChain, un benchmark creado por el equipo para medir la comprensión espacial. En esas pruebas, varios modelos visión-lenguaje clasificaron mal los objetos y confundieron relaciones espaciales pese a obtener buenos resultados en benchmarks de imagen y texto. La comparación refuerza la idea de que las métricas generales de percepción no bastan para certificar que un modelo entiende la estructura de una escena vial.

La combinación de un modelo de lenguaje con funciones de conducción también amplía la superficie de ataque. Investigadores de la Universidad de California en Santa Cruz mostraron que un cartel colocado dentro del campo de visión de la cámara podía engañar al sistema DriveLM para que virara hacia peatones que cruzaban, aun cuando el sistema había detectado correctamente a esas personas. El ejemplo ilustra que reconocer un peligro y actuar de manera segura frente a una manipulación no son capacidades equivalentes.

La investigación sobre estos sistemas empieza a desplazarse hacia los llamados World Action Models, que no solo describen la escena actual, sino que también predicen cómo cambiará el entorno como consecuencia de las acciones del propio agente. Ese enfoque podría ayudar a conectar percepción, planificación y consecuencias futuras, aunque no elimina la necesidad de pruebas con datos variados, cámaras distintas y situaciones poco frecuentes. En conducción autónoma, la capacidad de anticipar una respuesta no sustituye la validación independiente del comportamiento.

Alibaba puso Qwen-Drive 1.0 a disposición de la comunidad investigadora mediante Hugging Face, ModelScope y GitHub. La apertura del modelo puede facilitar auditorías, comparaciones y nuevos experimentos, pero también trasladará a los usuarios la responsabilidad de revisar sus límites antes de emplearlo en sistemas reales. Por ahora, el proyecto ofrece una señal positiva sobre la integración entre IA general y conducción, junto con una advertencia contundente: una explicación convincente puede no ser la razón verdadera de una maniobra.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados