Qwen-Drive-1.0-RL 在 NAVSIM v1.1 的公开评测表中取得 91.4 分，但这个数字并非车辆只输出一次轨迹所得：每个场景先生成六条候选，再由评测器按 PDMS 评分选出最高的一条。成绩真实，含义却需要收窄。

这是什么

Qwen-Drive 是阿里通义千问面向自动驾驶场景推出的规划模型。NAVSIM 是一套基于仿真数据评估车辆规划轨迹的基准，PDMS 则用多项指标综合衡量轨迹质量。

同一张成绩表里，Qwen-Drive 经过监督微调（SFT，按人类示范学习）和强化学习（RL，通过奖励信号继续优化）后，默认单轨迹成绩为 90.7；启用六候选并事后择优后升至 91.4。两者相差 0.7 分。

值得关心的是，这不是单纯比较“模型会不会开”，而是在区分两项能力：能否产生潜在的好轨迹，以及能否在行驶当时仅凭可获得的信息选中其中一条。评测器知道标准答案后再挑最高分，属于事后择优；它衡量候选集合的上限，并不证明车端已经具备这种判断力。

行业怎么看

从研究角度看，六候选成绩仍然有价值。默认输出与择优输出的差距，可以帮助团队拆解生成质量和选择质量，也能为后续训练排序器提供目标。阿里团队把 87.8 提升至 91.4，混合了训练方法、推理条件和选择预算，不能全部归因于“推理能力”。

但我们不赞成直接用 91.4 分制定量产接入方案。公开表格没有交付一个只读取当时观测、能够在真实道路条件下选出最佳轨迹的选择器，也没有给出统计显著性；源码中不同指标还可能评价不同候选轨迹。更关键的是，实际参与汇总的场景数、缺失缓存及时间网格都会影响结果复现。文章也明确指出，作者只核对论文、文档和代码，并未运行模型、仿真器或车辆，因此不能据此断言官方结果有误。

我们的判断是：Qwen-Drive 的进展应理解为“候选生成能力不错”，而不是“已经解决实时轨迹选择”。从基准高分走向实车部署，中间仍缺一层可部署、可验证的选择机制。

对普通人的影响

对企业 IT：企业评估智能驾驶或 Agent 类系统时，应要求供应商区分默认输出、候选上限和真实选择能力，并披露有效样本数及信息边界，避免把离线择优成绩当成线上效果。

对个人职场：这套区分可用于审视其他 AI 产品：一次生成多个答案再由后台筛选，与系统第一次就给出可用答案，商业含义和成本结构并不相同。

对消费市场：若类似方法进入乘用车，消费者最终感受到的仍是车辆能否及时做出正确选择；候选数量增加也意味着更高算力和能耗需求，91.4 分并不会自动转化为更可靠的驾驶体验。