共计 1198 个字符，预计需要花费 3 分钟才能阅读完成。
6 月 16 日, 阿里巴巴正式发布千问具身智能大模型系列——Qwen-Robot, 这是千问大模型家族首次完整覆盖具身智能领域。该系列一口气推出三款模型: 面向操作的 VLA 模型 Qwen-RobotManip、面向移动的 VLN 模型 Qwen-RobotNav, 以及用于推理的世界模型 Qwen-RobotWorld。三者分别对应机器人的“手”“脚”“脑”, 既能独立运行, 也能协同工作, 为机器人迈向真实场景提供了统一的智能底座。
📌 三大模型各司其职, 补齐具身智能关键拼图
- Qwen-RobotManip: 视觉 - 语言 - 动作模型, 解决迁移能力不足的痛点。它采用 80 维统一动作表征, 为不同机器人硬件定义通用“肢体语言”, 并基于摄像头画面的相对位置进行操作, 无需繁琐的绝对坐标计算。该模型在超 38000 小时的开源数据上完成预训练, 在 RoboChallenge Table30 v1 评测中包揽前两名, 可完成拧水龙头、插网线、双臂倒薯条等 30 项真实任务。
- Qwen-RobotNav: 视觉语言导航模型, 将语言指令导航、目标搜索、自动驾驶等五大任务统一到同一框架。其创新推出的任务自适应观察机制, 能根据任务灵活切换记忆策略, 避免“记少迷路、记多混乱”。该模型原生支持多种智能体框架, 可作为通用接口被上层模型调用。例如, 搭载该模型的宇树 Go2 四足机器人, 能通过自然语言指令自主巡逻并完成寻物导航。
- Qwen-RobotWorld: 世界模型, 基于对物理规律的理解, 可推理和模拟机器人下一时刻的合理动作与状态。它既能生成视频数据用于训练模型, 缓解数据不足问题, 也能在执行动作前推演轨迹, 提升操作精准度。
🔍 从数字智能体到物理智能体的一次跨越
千问大模型此前已在文本、代码、图像等数字领域展现出强大能力, 而 Qwen-Robot 系列标志着其正式从数字智能体迈向物理智能体 。这套“通用大脑”让机器人能够去更多地方、做更多事情, 并预判自身行为的后果。无论是单独部署还是协同工作,Qwen-Robot 在统一自然语言指令下都能保持高效、一致的表现。
💡 行业观察: 开源数据训练与通用化路线值得关注
此次发布中,Qwen-RobotManip 完全基于开源数据训练 , 却取得了超越多数依赖私有数据的模型的效果, 这一路径降低了行业门槛, 有望加速具身智能的普及。同时, 三模型协同的通用底座设计, 也为不同形态机器人的规模化落地提供了可复用的基础设施。在具身智能从实验室走向商业化的关键阶段, 阿里此举或将推动行业标准与生态的进一步整合。
📊 总结
Qwen-Robot 系列通过“操作 + 导航 + 世界模型”的三位一体架构, 为机器人赋予了更接近人类的感知、决策与执行能力 。随着这套“通用大脑”被搭载到更多机器人上, 未来在物流、家庭服务、工业巡检等场景中, 我们将看到更多能够“边走、边看、边思考”的智能体。
