阿里巴巴推出 Qwen-Robot 三模型！机器人导航、操控、物理模拟一次到位

阿里巴巴 Qwen 團队发布 Qwen-Robot Suite，包含導航、操控与物理世界模擬三大基礎模型，在多項机器人基準測試中排名第一，被視为机器人领域的 Android 时刻。
（前情提要：阿里千问推出「Qwen3.7-Plus」模型价格大幅下降，但代价是不开放權重）
（背景補充：Meta 进軍人形机器人！秘密收購 AI 新創 Assured Robot Intelligence，押注「物理世界互动」通往 AGI）

本文目錄

Toggle

• Qwen-RobotNav：五合一導航模型
• Qwen-RobotManip：跨机器人操控
• Qwen-RobotWorld：语言即通用介面
• 与西方实验室比起来如何？

（来源：Decrypt、Qwen 官方部落格）

阿裡巴巴 Qwen 團队週二发布了 Qwen-Robot Suite，一套由三个基礎模型組成的「具身智慧全棧」。Qwen-RobotNav 负责移动導航，Qwen-RobotManip 负责机械操控，Qwen-RobotWorld 负责物理世界模擬。三个模型各自獨立运作，合在一起則構成了机器人领域的「Android 时刻」，它是作业系统，而非硬體。

Qwen-RobotNav：五合一導航模型

導航模型整合了指令跟随、目標点導航、物件搜尋、目標追蹤和自主駕駛五項任務，每種任務需要不同的視覺記憶策略。多數模型只锁定單一策略，Qwen-RobotNav 則提供可引數化的介面：token 预算、时间衰減、每镜头權重，規劃器可以在執行中重新配置。

該模型在 1,560 万筆樣本上訓練，在 VLN-CE RxR 基準測試（真实環境的視覺与语言導航）中成功率高达 76.5%，在 EVT-Bench（移动目標追蹤）上达到 90%。

Qwen-RobotManip：跨机器人操控

不同机器人的动作表示方式截然不同，Franka 机械臂使用关節角度，ALOHA 雙臂机器人使用夾爪位置和方向，人形机器人則使用全身座標。阿裡巴巴从开源机器人资料庫和人類影片中合成了约 38,100 小时的訓練资料，沒有依賴私有资料收集。

模型在 RoboChallenge Table30-v1 基準測試中排名第一，超越先前方法 20%。

Qwen-RobotWorld：语言即通用介面

这是最雄心勃勃的模型，一个以语言为條件的影片世界模型，將自然语言作为通用动作介面。「拿起紅色杯子往花上倒水」这个指令，无論是对夾爪、自駕车还是移动導航代理都通用。

具身世界知识语料庫涵蓋 860 万筆影片文字配对，2 亿幀，橫跨操控（590 万筆樣本、1,300+ 技能、20+ 形態）、自主駕駛（Waymo、NVIDIA PhysicalAI-AD）、室內導航和跨 14 種机械臂的人机转移。模型在 EWMBench 和 DreamGen Bench 两項基準測試中排名第一，在牛頓定律、质量守恆、流體动力学和重力等物理一致性測試中獲得滿分。

与西方实验室比起来如何？

Google DeepMind、Nvidia、Figure 和 Physical Intelligence 等西方实验室也在追求類似目標，但大多專注於導航或操控，而非统一可組裝的套件。阿裡巴巴从晶片到应用的垂直整合意味著它掌控了完整生態链，且这些模型全部开源。

不过开发者也提醒，这些是软體模型而非实體机器人，实际部署在家用场景仍需數年时间。阿裡巴巴目前尚未公布定价、时间表或試点计畫之外的客戶名單。