千问自动驾驶91.4分背后的评测逻辑，best-of-6并非实时选择能力

通义千问团队发布的自动驾驶模型Qwen-Drive-1.0-RL在NAVSIM v1.1基准测试中获得91.4分，引发行业广泛关注。这一数字常被简称为“千问自动驾驶高分”，但其技术含义远比表面数值复杂——它并非模型在实际运行中能稳定输出的性能，而是基于特定评测规则下对多候选轨迹进行事后择优的结果。

NAVSIM（Navigation Simulation）是当前自动驾驶规划模块评估的重要开源基准，其核心指标PDMS（Planning Decision Making Score）综合考量轨迹安全性、舒适性与任务完成度。根据官方公开的评测文档与代码，Qwen-Drive-1.0-RL的91.4分对应的是“best-of-6”设置：即每个场景生成6条候选轨迹，再依据该场景的PDMS评分结果，人工选取其中得分最高的一条计入总分。

与此相对，同一模型在默认单轨迹输出模式下的得分为90.7分。两者相差0.7分，看似微小，却揭示了关键差异：91.4分依赖于“oracle”式选择——即选择过程可访问完整评分依据（包括地面真值与仿真反馈），属于离线分析条件；而真实车辆部署时，选择器只能基于当前观测信息（如传感器输入、地图状态等）实时决策，无法预知哪条轨迹最终得分最高。

进一步梳理官方成绩表可见，性能提升涉及多个变量叠加：

• 输入条件变化：是否启用“规划推理”（reasoning）条件，影响模型对长期目标的理解能力；
• 模型训练阶段：SFT（监督微调）与RL（强化学习）专家路径不同；
• 选择机制：单轨迹输出 vs best-of-6择优。

例如，SFT模型在启用推理条件下得分为88.2，best-of-6后升至89.3；RL模型默认为90.7，best-of-6后达91.4。这些差值（1.1与0.7）仅为官方汇总的算术差，未提供统计显著性检验，也不能直接归因于某单一改进项。将全部提升笼统归结为“模型会推理了”，实则混淆了训练策略、输入增强与选择预算三类不同维度的优化。

更需注意的是，NAVSIM评测脚本中存在两个独立分支：位移误差（ADE）计算固定取每场景第一条候选轨迹（trajectories[0]），而PDMS分支则遍历全部候选并取score最大者。这意味着，同一份预测文件中，ADE与PDMS所评价的轨迹可能根本不是同一条。若误认为“某条轨迹同时取得两项高分”，将导致对模型能力的误判。

此外，PDMS分支还区分interp（插值网格）与direct（直接网格）两种时间采样方式，并分别取各自最高分。因此，最终汇总得分甚至可能来自不同候选索引的组合，源码并未保留逐场景的选择路径记录。这对后续复现与对比构成实质障碍——没有原始候选分数序列，仅凭平均分无法反推出选择逻辑。

这一问题在其他自动驾驶评测体系中同样存在。例如Waymo的评估脚本规定：当有多条候选且存在偏好标签时，优先选择“评分最高的参考轨迹”，再匹配与其最接近的预测轨迹；若无偏好标签，则默认返回首条候选。该规则依赖外部标签，且“最接近”不等于直接按RFS（Reward Function Score）排序取最大，说明不同平台的“选择”定义并不统一。

由此引出一个核心工程命题：best-of-6的91.4分，本质上是当前候选集合在给定评分规则下的理论上限（upper bound），而非系统实时决策能力的体现。它有价值——可帮助研究者判断生成质量的潜力空间，以及生成与选择模块之间的性能落差；但它不能直接用于部署决策。

真正可用于落地的选择器，必须满足两个前提：

目前Qwen-Drive尚未公开此类可部署选择器的实测表现。官方报告明确指出：“只描述当前候选集合和评分规则下的上界；可部署选择器仍需独立验证。” 这一表述至关重要——它划清了研究指标与工程可用性之间的界限。

从行业视角看，这种“oracle择优”现象并非个例。近年来多个大模型驱动的自动驾驶方案（如Tesla FSD V12、华为ADS 3.0部分模块）在仿真评测中呈现显著提升，但实际路测中仍需依赖传统规则模块兜底，原因正在于生成能力与选择能力的脱节。生成模型可以产出高质量候选，但如何在毫秒级内从多个合理选项中选出最优解，仍是具身智能领域的开放难题。

值得注意的是，NAVSIM v1.1的评测设计本身也隐含局限：其场景库规模有限，且仿真环境与真实道路存在分布偏移。即便在best-of-6下达到91.4分，也无法保证在长尾场景（如极端天气、突发障碍物交互）中的鲁棒性。这也是为何头部厂商普遍采用“影子模式”+真实路测双轨验证，而非仅依赖仿真分数。

回到千问自动驾驶项目，其技术路线体现了典型的“大模型+仿真优化”范式：先通过SFT模仿人类驾驶行为构建基础规划能力，再以RL引入安全、效率等多维奖励函数进行精细化调优。这一路径在结构上合理，但在系统集成层面，仍需补全“选择层”的闭环验证。

对于从业者而言，理解91.4分的真实含义尤为重要。它不应被简化为“千问超越某竞品X分”的传播话术，而应视为一个研究阶段的性能标尺——提示我们：生成能力已接近瓶颈，下一步突破点在于构建轻量、可靠、可验证的在线选择机制。

当前，学术界正探索多种替代方案：如引入轻量级排序网络（ranking head）联合训练、设计不确定性感知选择策略、或利用因果干预提升选择鲁棒性。这些方向尚处早期，但已指向同一共识：自动驾驶的终局竞争，不仅是生成质量的比拼，更是决策可信度的较量。

Qwen-Drive的91.4分是一次有价值的阶段性展示，但它提醒我们：在通往L4级自动驾驶的路上，分数背后的规则，往往比分数本身更重要。