大象新闻记者 李莉 张迪驰

6月16日，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。

大象新闻记者注意到，这是千问大模型家族首个完整的具身智能模型系列。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，让不同形态的机器人迈向真实落地有了可靠的"通用底座"。

大语言模型(LLM)是在数字世界里对话和生成内容，而具身智能(Embodied Intelligence)则将这一能力延展到现实物理世界中。当前，全球具身智能行业正处于从“实验室研发”向“真实场景商业化”跨越的临界点，能否在陌生环境里听懂指令、稳定执行，是这道门槛的关键。Qwen-Robot通过三类关键的大模型设计和训练，让模型能更好地听懂人类自然语言、感知三维环境、了解物理规律，从而指挥机器人在真实世界中自主执行复杂操作和精准移动，甚至完成从未见过的任务。

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。首先，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。其次，Qwen-RobotManip 不再依赖繁琐的绝对坐标计算，而是直接基于摄像头画面中的相对位置操作，面对环境变化时也能更快更准。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，像老司机坐进陌生车辆，试几脚油门就能上路。

RoboChallenge真机多任务全球榜单，代号Lira的Qwen-RobotManip夺得第一

Qwen-RobotManip在超过38000小时的语料上完成了预训练。值得一提的是，区别于行业高度依赖私有自采数据的常规路径，模型全程仅基于开源数据训练，便取得了优异效果：在横跨30项真实世界任务、4个机器人平台的三方真机测评 RoboChallenge Table30 v1 中，代号“Lira”和“Atlas”的两个版本 Qwen-RobotManip列前两名，任务包括拧水龙头、插网线、双臂倒薯条等，官方肯定其"基础任务稳定、高难任务可突破"。

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。此前VLN模型由于记忆策略死板，常常陷入“记少迷路、记多混乱”的困境，为此，Qwen-RobotNav 创新推出任务自适应观察机制，根据任务灵活切换记忆策略。Qwen-RoboNav 同时被设计成一个通用接口，可以被上层模型调用，是业内少数原生支持多种智能体框架的 VLN 模型。它让机器人真正做到"边走、边看、边思考最佳路线"，也让导航能力从孤立模型升级为可被统一调用的工具，为完整的具身智能体系统提供了关键一环。比如，对搭载该系统的宇树 Go2 四⾜机器⼈说“帮我找找不记得放在哪的行李箱”，它可以自主巡逻的同时进行视觉推理，最终顺畅地完成寻物导航。

搭载Qwen-RobotNav的机器狗顺利完成寻物导航

会动手、能跑腿，机器人要做得准还得想得深，就像体操运动员一样需要反复在“脑海”里演练动作，这依赖于具身智能领域的世界模型。Qwen-RobotWorld是千问对此的最新尝试，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。在实际应用中，Qwen-RobotWorld不仅能生成视频数据以训练模型，大幅缓解训练数据不足的困难，还能在执行动作前，帮助机器人推演未来的动作轨迹，让操作更精准、更到位。

Qwen-Robot系列模型在具身智能评测中夺得多项SOTA

据了解，Qwen-Robot 系列是千问大模型家族从数字智能体迈向物理智能体的重要一步。不管是单独部署，还是整体协同，在统一的自然语言指令下Qwen-Robot都能展现一致的高性能，让一个能够去很多地方、做很多事情、并预见其后果的物理智能体成为可能。未来，这套“通用大脑”将搭载于更多形态的机器人，使其在复杂现实中具备高度自主的感知、决策与长程执行能力。