Qwen-Robot Suite – 阿里通義推出的物理世界基礎模型套件

Qwen-Robot Suite是什麼

Qwen-Robot Suite 是阿里通義推出的邁向物理世界智能的基礎模型套件，包含 Qwen-RobotNav（導航）、Qwen-RobotManip（操作）與 Qwen-RobotWorld（世界模型）三大基礎模型。套件通過語言優先接口將視覺語言表示空間橋接至物理動作，統一跨本體、跨場景的訓練與推理，使通用大模型能作爲上層規劃器，動態調用底層物理工具完成長程任務閉環。

Qwen-Robot Suite的主要功能

• 統一物理導航：Qwen-RobotNav 覆蓋指令跟隨、點/目標導航、目標追蹤、自動駕駛與具身問答五大領域，單一模型統一執行。
• 跨本體操作控制：Qwen-RobotManip 兼容單臂、雙臂、靈巧手及移動平台等 15 個機器人本體，實現視覺語言到動作的直接映射。
• 世界動態預測：Qwen-RobotWorld 接收自然語言動作描述，預測操作、駕駛、導航場景下符合物理規律的未來狀態。
• 智能體工具組合：三個模型均提供語言優先接口，可被通用 Qwen 模型作爲物理世界工具動態調用與組合。
• 零樣本真實部署：支持在 Unitree Go2 等真實機器人上零樣本部署，無需場景特定微調。

Qwen-Robot Suite的技術原理

• Qwen-RobotNav：參數化視覺分配與可控觀測協議，模型將視覺分配策略本身參數化，通過任務模式選擇導航行爲（指令跟隨、目標搜索、追蹤、自動駕駛），暴露四軸推理時參數——視覺 token 預算、時間衰減、逐相機權重、幀採樣模式——作爲可調接口。模型在 1,560 萬條樣本上聯合視覺語言數據訓練，使同一套權重無需修改架構可適配不同導航需求。上層規劃器通過動態切換任務模式與上下文策略，將模型作爲可重配置的導航原語反覆調用，配合雙層記憶機制實現長程推理。
• Qwen-RobotManip：統一跨本體對齊與規模化訓練，以 Qwen3.5-4B VL 爲骨幹、結合流匹配 DiT 動作頭，通過三種機制解決異構本體衝突。統一的 80 維狀態-動作表示在多樣化本體間共享；相機座標系下的末端執行器增量位姿使視覺相似運動在數值上也相近，屏蔽形態差異；最後，上下文策略自適應將執行歷史視爲隱式本體標識，實現推理時在線行爲校準。數據層面，用 11,320 小時開源機器人數據、1,933 小時人類視頻，以及人-機遷移合成管線生成的 24,808 小時跨本體數據，共計超 38,100 小時語料完成訓練。
• Qwen-RobotWorld：語言驅動的雙流世界模型，關鍵設計是將所有動作統一爲自然語言接口，將末端執行器位姿、轉向指令和導航路標點標準化爲單一訓練信號，使 20 餘種本體與 500 餘個動作類別得以協同訓練。模型採用 60 層雙流 MMDiT，將 Qwen2.5-VL 的語義表示與視頻隱變量深度耦合。不同於輕量級文本編碼器，模型以完整的多模態大語言模型作爲動作編碼器，內化剛體、流體、重力等物理知識，隱式約束生成爲物理可信的未來。

微信關注回覆 “開源”，加入AI開源項目交流羣

如何使用Qwen-Robot Suite

• 選擇模塊：根據任務需求選擇 RobotNav（移動）、RobotManip（操作）或 RobotWorld（預測）作爲底層物理引擎。
• 配置接口：通過四軸可控觀測協議調節視覺歷史編碼參數，適配單相機或多相機的不同輸入配置。
• 接入規劃器：上層通用智能體（如 Qwen-3.5）將長程目標分解爲子任務，通過語言指令動態調用對應模型。
• 執行閉環：底層模型接收語言指令並輸出物理動作或未來幀，驅動真實機器人或仿真環境執行。
• 記憶管理：利用跨片段記憶與證據筆記本壓縮上下文，支持多步導航、環境取證與失敗恢復。

Qwen-Robot Suite的核心優勢

• 語言優先的統一接口：三個模型均提供自然語言動作接口，可被通用 LLM 無縫作爲工具調用，無需爲不同機器人形態設計專有協議。
• 跨本體強泛化：統一的 80 維表示與相機座標系動作對齊，使模型在零樣本條件下實現跨 15 個平台遷移，真實環境性能達到先前最優的 2 倍。
• 全開源數據訓練：RobotManip 僅依賴開源數據完成超 3.8 萬小時訓練，通過人-機遷移合成管線大幅降低數據壁壘，證明對齊是規模化的前提。
• 物理一致性生成：世界模型用完整 VLM 作爲動作編碼器，內化牛頓定律、質量守恆與流體動力學，在 WorldModelBench 等物理推理基準上位列開源模型第一。

Qwen-Robot Suite的項目地址

模型權重、技術博客和獨立項目頁可能尚未完全公開。

Qwen-Robot Suite的同類競品對比

Qwen-Robot Suite的應用場景

• 家庭服務機器人：執行桌面清理、衣物收納、烹飪輔助等長程操作，具備任務分解與失敗恢復能力。
• 倉儲物流：同一導航模型處理倉庫內目標搜索、貨架盤點與AGV路徑追蹤，跨機型零樣本部署。
• 自動駕駛與具身導航：統一模型覆蓋城市駕駛、室內指令跟隨與開放環境探索，支持循證問答。
• 仿真數據合成：用世界模型生成物理可信的未來幀，作爲低成本、大規模的訓練數據引擎。
• 人機協作工業臂：跨 15 個工業/服務機器人平台實現技能遷移，減少產線換型時的重新編程成本。