阿里发布首个具身大模型Qwen-Robot系列，三大模型协同赋能机器人

近日，阿里巴巴正式发布了其首个完整的具身智能大模型系列——Qwen-Robot。该系列包含三大核心模型，旨在为各类机器人提供统一的“通用底座”，标志着其在机器人通用智能领域迈出了关键一步。

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。

VLA模型：统一“肢体语言”，赋予精准操作能力

VLA（视觉-语言-动作）模型是具身智能的核心基础架构之一。Qwen-RobotManip作为该系列的操作模型，解决了传统VLA模型迁移能力不足的痛点。它采用一套

，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。同时，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。

在训练层面，Qwen-RobotManip完成了超过

，且全程仅基于开源数据训练。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，其两个版本包揽前两名，评测方评价其“基础任务稳定，高难任务可突破”。

VLN模型：自适应导航，实现智能寻路

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-RobotNa v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。针对传统VLN模型记忆策略僵化的问题，它创新推出

，能根据任务需求灵活切换记忆策略。

该模型被设计为通用接口，是业内少数原生支持多种智能体框架的VLN模型。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。

世界模型：推演物理规律，预演未来动作

会动手、能跑腿，还需要“想得深”。Qwen-RobotWorld是世界模型方向的最新探索，它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。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。