三连发！阿里发布具身大模型Qwen-Robot系列

6月16日下午消息，阿里巴巴发布千问具身智能大模型Qwen-Robot系列，包含VLA操作模型Qwen-RobotManip、VLN移动模型Qwen-RobotNav 和世界模型 Qwen-RobotWorld三大模型。这三个模型分别为机器人装上灵巧的手、认路的脚和会思考的大脑，既可单独部署，也能协同运转。

VLA （Vision-Language-Action，视觉-语言-动作）模型是当前具身智能最核心基础模型之一，它将视觉感知、语言理解和动作决策融合，让机器人看得懂、能动手。传统VLA模型的核心痛点是迁移能力不足，换机器人、换场景性能就下降。让不同形态的机器人能听懂一个模型指挥，需要解决动作统一和空间统一两个核心问题，Qwen-RobotManip正是从这两点切入。据悉，Qwen-RobotManip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”，让机器人习得基础物理规律与动作逻辑，动作不再是生硬模仿。搭载在不同的硬件中，Qwen-RobotManip只需数步反馈即可自动适配，性能稳定高效。

如果说 VLA 模型让机器人能动手，那么VLN（Vision-Language Navigation，视觉语言导航）模型，就是让机器人能认路、会跑腿。Qwen-RobotNav 基于 Qwen-VL 构建，将语言指令导航、目标搜索、自动驾驶等五大任务族统一到同一个框架，遇到复杂任务无需人工切换模型。

Qwen-RobotWorld则基于对物理规律的理解，可推理和模拟出下一个时间点机器人的合理动作和状态，让机器人在现实世界中可按图索骥般地行动。（文猛）