阿里推出千问具身大模型Qwen-Robot系列，大模型从屏幕走向物理世界

近期，阿里巴巴正式发布了千问具身智能大模型

，一个完整的具身智能模型家族。它包含三个核心模型：。可以说，这是千问大模型家族首次真正为机器人打造的“通用底座”——一个负责灵巧的手，一个负责认路的脚，还有一个负责会思考的大脑。三个模型既可以单独部署，也能协同运转，适配不同形态的机器人。

先看

，这是一款VLA（视觉-语言-动作）操作模型，核心突破在于它定义了一套——说白了，就是给不同硬件机器人配了一套通用的“肢体语言”。模型学的是物理规律本身，而不是死记硬背特定动作序列。更厉害的是，它放弃了对绝对坐标的依赖，而是基于摄像头画面中的相对位置生成操作指令。这意味着，换一台机器人硬件，只需要少量反馈就能快速适配，不用从头训练。这个模型基于超过训练，在RoboChallenge真机多任务评测中，两个版本直接包揽了榜单前两名。拧水龙头、插网线、双臂倒薯条……30项高难度任务，它都能搞定。

再看

，这是一款基于Qwen-VL构建的VLN移动导航模型。它的关键能力是把语言指令导航、目标搜索、自动驾驶等五大任务族统一到了同一个框架里，复杂任务不用手动切换模型。它还引入了一个任务自适应观察机制，记忆策略可以根据任务类型灵活调整，传统模型的记忆僵化问题在这里得到了解决。目前，搭载这个系统的宇树Go2四足机器人已经完成了自主巡逻和寻物导航任务。

最后是

，作为具身智能世界模型，它的核心是基于对物理规律的认知，去推理并模拟机器人下一时刻的动作与状态。这相当于在真实行动之前先做一次“预演”，让机器人提前知道后果。同时，它还能生成视频数据，缓解具身智能训练数据短缺的瓶颈，在动作执行前预推演轨迹，提升操作精度。

整个行业现在正处在从实验室研发向真实场景商业化跨越的临界点，最大的门槛就是机器人能否在陌生环境中听懂指令、稳定执行。Qwen-Robot系列的解题思路很直白：把视觉语言能力接入控制系统。通过标准化接口，分别接入操作控制、移动控制和世界预测，实现跨场景、跨机型的通用化。

值得一提的是，就在上个月（5月20日），阿里刚发布了旗舰模型

，在Arena全球大模型盲测中超过Kimi-K2.6、DeepSeek-v4-pro、GLM-5.1，位列国产第一，逼近GPT、Claude、Gemini的最强水平。Qwen-Robot系列正是把这一认知引擎从数字世界延伸到物理世界的关键一步。

目前，已经有多家机器人企业启动了技术对接。预计年内，首批搭载该系统的商用产品就会出现，工业巡检、物流分拣、家庭服务等场景有望率先受益。当然，大模型在虚拟环境中的预测与真实物理世界毫秒级精密控制之间，仍然存在产业公认的落地鸿沟。实际表现到底如何，还得等量产之后用真机说话。