阿里巴巴推出了 Qwen-Robot Suite —— 一套用于物理环境中机器人和任务的 AI 模型：Qwen-RobotNav 用于导航，Qwen-RobotManip 用于与物体的交互，Qwen-RobotWorld 用于预测场景的发展。团队将该项目描述为“具身人工智能的全栈”。
这些软件模型旨在帮助物理代理感知周围环境、规划行动并以自然语言执行命令。Qwen-Robot Suite 已经在机器人领域与部分阿里云企业客户进行试点测试。
阿里巴巴为何将 Qwen 带入物理世界
大型语言和多模态模型已经能够处理文本、图像、视频和语音，但这对机器人来说还不够。物理代理不仅需要理解命令，还需要将其转化为运动，考虑空间、物体的属性、传感器的限制以及行动的后果。
阿里巴巴称之为物理 AI 领域，或“具身 AI”。在这种方法中，模型不仅必须处理数字数据，还必须与物理环境互动：移动、寻找物体、控制操纵器，并预测行动后的结果。
Qwen-RobotNav：一个模型中的五个导航任务
Qwen-RobotNav 负责导航。该模型结合了五组任务：
- 遵循指令；
- 移动到指定点；
- 寻找物体；
- 跟踪目标；
- 自主驾驶。
根据阿里巴巴的说法，Qwen-RobotNav是基于Qwen3-VL构建的，并在1560万个与路线规划和视觉语言推理相关的样本上进行训练。
该公司声称在VLN-CE RxR上成功率为76.5%，在EVT-Bench上为90%。阿里巴巴还指出，该模型可以作为更大代理系统的工具：更高级别的模型规划任务，而Qwen-RobotNav处理移动。
在其演示中，阿里巴巴描述了诸如在房间中寻找丢失物品或检查建筑中特定物体是否打开等场景。在这些任务中，机器人不仅必须移动，还必须收集视觉证据并向用户返回答案。
Qwen-RobotManip：与物体的动作
Qwen-RobotManip旨在进行与物体的物理动作。该模型旨在帮助机器人拾取、移动和放置物品，以及在不同类型的设备之间转移技能。
机器人技术的一个关键挑战是机器人以不同的方式描述动作。一个操纵器、一个双臂平台、一个带手的机器人或一个移动系统使用不同的坐标、关节和命令格式。Qwen-RobotManip试图将这些数据带入一个共同的表示，以便在一种类型的机器人上进行训练可以帮助另一种。
为了训练，阿里巴巴使用了超过38,100小时的数据。这些数据包括11,320小时的开放机器人数据、1,933小时的第一人称人类动作视频，以及24,808小时基于这些视频创建的合成机器人演示。
该公司表示，该模型在通用模型赛道的RoboChallenge Table30 v1中获得了第一名。根据阿里巴巴的说法，Qwen-RobotManip在面对新指令、不熟悉的物体以及不同机器人之间的技能转移时也表现出了鲁棒性。
Qwen-RobotWorld：机器人世界模型
Qwen-RobotWorld是一个由自然语言控制的视频世界模型。它旨在预测在给定动作后场景将如何发展。
例如，该模型接收当前观察和文本命令，然后生成环境的可能未来状态。这种方法可以用于操作、自动驾驶、导航、规划以及为机器人创建合成训练数据。
为了训练Qwen-RobotWorld，团队组建了具身世界知识语料库。它包括860万个“视频-文本”对和超过2亿帧，涵盖了20多种机器人平台和500多个动作类别。
阿里巴巴表示，Qwen-RobotWorld在EWMBench和DreamGen Bench中获得第一名，并且在WorldModelBench和PBench中超越了所有开放模型。技术描述还声称，该模型与基本物理规律——运动、质量守恒、流体和重力——具有高度一致性。
大众市场机器人仍然遥不可及
尽管声称取得了这些结果，Qwen-Robot Suite目前仍然是一组模型，而不是一个成熟的消费机器人平台。实际部署面临传感器噪声、执行器磨损、非标准情况、感知错误以及大量稀有场景的问题。许多用于比较此类系统的基准测试是在模拟或有限实验条件下进行的。
阿里巴巴也没有透露访问成本、公开发布的时间表或已经测试Qwen-Robot Suite的客户名单。
作为提醒，阿里巴巴云在四月推出了具有100万标记上下文窗口和支持外部工具的代理模型Qwen3.6-Plus。
来源：ForkLog
