Die Forschung im Bereich end-to-end-autonome Fahrt steht derzeit vor einer zentralen Herausforderung: der Brücke zwischen offener Schleifen-Trainings- und geschlossener Schleifen-Deployment-Umgebung. Derzeitige Ansätze werden darauf trainiert, Trajektorien in einer offenen Schleifen-Umgebung vorherzusagen, was bei schnellen Reaktionen auf andere Verkehrsteilnehmer in geschlossenen Schleifen-Umgebungen Schwierigkeiten bereitet und das Risiko von kinematisch unmöglichen Planungen aufgrund der Diskrepanz zwischen offener Schleifen-Trainings- und geschlossener Schleifen-Fahrt birgt. In diesem Paper stellen wir Hydra-NeXt vor, einen neuartigen mehrästigen Planungsrahmen, der Trajektorienvorhersage, Steuerungsprognose und ein Trajektorien-Refinement-Netzwerk in einem einzigen Modell vereint. Im Gegensatz zu aktuellen offenen Schleifen-Trajektorien-Vorhersagemodellen, die lediglich allgemeine Planungsaufgaben bearbeiten, nutzt Hydra-NeXt zudem einen Steuerungs-Decoder, um sich auf kurzfristige Aktionen zu konzentrieren, was schnellere Reaktionen auf dynamische Situationen und reaktive Agenten ermöglicht. Darüber hinaus schlagen wir das Trajektorien-Refinement-Modul vor, das die Planungsentscheidungen durch effektive Einhaltung kinematischer Einschränkungen in geschlossenen Schleifen-Umgebungen verbessert und verfeinert. Dieser integrierte Ansatz schließt die Lücke zwischen offener Schleifen-Training und geschlossener Schleifen-Fahrt und erreicht eine herausragende Leistung von 65,89 Driving Score (DS) und 48,20 % Erfolgsrate (SR) auf dem Bench2Drive-Datensatz, ohne externe Experten für die Datensammlung zu benötigen. Hydra-NeXt übertrifft die vorherige State-of-the-Art um 22,98 DS und 17,49 SR und markiert damit einen bedeutenden Fortschritt im Bereich autonomer Fahrt. Der Quellcode wird unter https://github.com/woxihuanjiangguo/Hydra-NeXt verfügbar sein.