阿里首发Qwen-Robot系列具身大模型，实现三模协同运转

6月16日消息，据报道，阿里巴巴近日正式发布了千问具身智能大模型Qwen-Robot系列，涵盖以下三大核心模型：

VLA操作模型 Qwen-RobotManip

VLN移动模型 Qwen-RobotNav

世界模型 Qwen-RobotWorld

这是千问大模型家族首个完整的具身智能模型矩阵三个模型分别为机器人赋予操作能力、导航能力和环境认知能力，既可独立部署，亦可协同运转，为各类形态的机器人走向真实场景提供了统一的通用底座”。

当前，全球具身智能正处于从实验室研发向商业化应用跨越的关键阶段。能否在未知环境中理解自然语言指令并稳定执行任务，是跨越这一门槛的核心难题。

Qwen-Robot系列通过三大模型的协同设计，让系统能够理解语言、感知三维环境、掌握物理规律，从而指挥机器人在真实世界中自主完成复杂操作与精准移动，甚至泛化到未曾见过的任务。

VLA（视觉-语言-动作）模型是具身智能的核心基础架构之一，融合视觉感知、语言理解与动作决策，使机器人能够看懂指令并执行操作。传统VLA模型的主要痛点是迁移能力不足更换机器人平台或应用场景后性能明显下降。

要让不同形态的机器人统一听懂同一个模型，须解决动作表征与空间感知的统一问题。Qwen-RobotManip正是从这两点切入：

一方面，它采用一套80维的统一动作表征，为不同硬件定义了通用的肢体语言”，使机器人习得基础物理规律与动作逻辑，动作不再停留于简单的模仿。

另一方面，它摒弃了繁琐的绝对坐标计算，直接基于摄像头画面中的相对位置进行操作，面对环境变化时反应更快更准。

搭载于不同硬件平台后，Qwen-RobotManip仅需少量交互反馈即可自动适配，性能稳定高效如同经验丰富的司机坐进陌生车辆，稍试脚感便能上路。

在训练层面，Qwen-RobotManip完成了超过38000小时的语料预训练。值得注意的是，该模型全程仅基于开源数据训练，打破了行业高度依赖私有采集数据的常规路径，依然取得了优异表现。

在横跨30项真实任务、4个机器人平台的三方真机测评RoboChallenge Table30 v1中，代号为Lira”和Atlas”的两个Qwen-RobotManip版本包揽前两名，任务涵盖拧水龙头、插网线、双臂倒薯条等，评测方评价其基础任务稳定，高难任务可突破”。

如果说VLA模型赋予机器人动手能力，VLN（视觉-语言-导航）模型则让机器人具备认路与移动能力。Qwen-RobotNav基于Qwen-VL构建，将语言指令导航、目标搜索、自动驾驶等五大导航任务统一至同一框架，面对复合任务无需人工切换模型。

针对传统VLN模型因记忆策略僵化而出现的记少则迷路、记多则混乱”问题，Qwen-RobotNav创新推出任务自适应观察机制，能根据任务需求灵活切换记忆策略。

同时，该模型被设计为通用接口，可被上层系统调用，是业内少数原生支持多种智能体框架的VLN模型。它使机器人实现边走、边看、边规划最优路径”，并将导航能力从孤立模块升级为可供统一调用的工具，为完整的具身智能系统提供了关键一环。

以搭载该系统的宇树Go2四足机器人为例，当指令为帮我找找不知道放在哪里的行李箱”时，机器人可自主巡逻并结合视觉推理，最终顺畅完成寻物导航任务。

会动手、能跑腿，还需要想得深”。正如体操运动员在脑海中反复预演动作，机器人也需要具备对物理世界的推演能力，这依托于具身智能领域的世界模型。

Qwen-RobotWorld是千问在此方向的最新探索基于对物理规律的建模，可推演并模拟机器人下一时刻的合理动作与状态，让机器人在现实世界中按图索骥地执行任务。

在实际应用中，Qwen-RobotWorld不仅能生成视频数据用于模型训练，有效缓解训练数据不足的问题，还可在动作执行前帮助机器人预演未来轨迹，使操作更加精准可靠。