阿里巴巴推出了用于机器人控制的人工智能模型 - ForkLog

# 阿里巴巴推出了AI模型用于机器人管理

阿里巴巴推出了Qwen-Robot Suite——一套用于机器人和物理环境任务的AI模型：Qwen-RobotNav用于导航，Qwen-RobotManip用于操作，Qwen-RobotWorld用于场景预测。团队将该项目描述为“完整的体现式人工智能技术栈”。

📣 介绍Qwen-Robot Suite——Qwen-RobotNav、Qwen-RobotManip、Qwen-RobotWorld，三大基础模型，完整的体现式智能技术栈。

🧭 Qwen-RobotNav——通向移动性的门户。
• 将五个导航任务统一在一个模型中：指令跟随、点目标…… pic.twitter.com/noumjTtTeS

— Qwen (@Alibaba_Qwen) 2026年6月16日

这里指的是旨在帮助物理智能体感知环境、规划行动并用自然语言执行命令的软件模型。Qwen-Robot Suite已在阿里云的部分机器人客户中进行试点测试。

为什么阿里巴巴将Qwen推向物理世界

大型语言模型和多模态模型已能处理文本、图像、视频和语音，但这对于机器人来说还不够。物理智能体不仅需要理解指令，还要将其转化为运动，考虑空间、对象属性、传感器限制和行动后果。

阿里巴巴称之为“physical AI”或“体现式AI”的方向。在这种方法中，模型不仅要处理数字数据，还要与物理环境交互：移动、寻找对象、操控机械臂，并预测行动后的场景变化。

Qwen-RobotNav：一模型应对五项导航任务

Qwen-RobotNav负责导航。该模型整合了五类任务：

• 指令执行；
• 目标点移动；
• 物体搜索；
• 目标追踪；
• 自动驾驶。

据阿里巴巴介绍，Qwen-RobotNav基于Qwen3-VL构建，使用1550万个与路径规划和视觉-语言推理相关的样本进行训练。

公司声称在VLN-CE RxR中成功率达76.5%，在EVT-Bench中达90%。阿里巴巴还补充，模型可以作为更大智能体系统的工具：上层模型规划任务，Qwen-RobotNav负责移动。

来源：Qwen。在阿里巴巴的演示中，描述了寻找室内丢失物品或检查建筑中特定物体是否开启的场景。在这些任务中，机器人不仅要移动，还要收集视觉证据并向用户反馈答案。

Qwen-RobotManip：对象操作

Qwen-RobotManip用于物理操作。模型应帮助机器人抓取、移动和放置物品，还能在不同设备类型之间迁移技能。

来源：Qwen-RobotManip。机器人技术中的一个关键问题是，不同机器人描述动作的方式不同。机械臂、双臂平台、带夹爪的机器人或移动系统使用不同的坐标系、关节和指令格式。Qwen-RobotManip试图将这些数据统一表示，使在一种机器人上的训练能帮助到其他类型的机器人。

阿里巴巴为训练使用了超过38100小时的数据，包括11320小时的开源机器人数据、1933小时的第一人称人类动作视频和24808小时的合成机器人演示，基于这些视频生成。

公司表示，该模型在RoboChallenge Table30 v1的通用模型赛道中排名第一。据阿里巴巴介绍，Qwen-RobotManip还表现出对新指令、未知对象的鲁棒性，以及技能在不同机器人间迁移的能力。

Qwen-RobotWorld：机器人世界模型

Qwen-RobotWorld是由自然语言控制的场景视频模型。它应能预测在给定动作后场景的未来发展。

来源：Qwen-RobotWorld。例如，模型接收当前观察和文本指令，然后生成场景的可能未来状态。这种方法可用于操控、自动驾驶、导航、规划，以及为机器人创建合成训练数据。

为训练Qwen-RobotWorld，团队构建了“体现式世界知识”语料库。包括860万对“视频-文本”配对和超过2亿帧，涵盖20多种机器人平台和超过500类动作。

阿里巴巴表示，Qwen-RobotWorld在EWMBench和DreamGen Bench中排名第一，还超越了所有公开模型在WorldModelBench和PBench中的表现。技术描述中还提到，该模型表现出与基本物理规律高度一致——运动、质量守恒、流体和重力。

迈向大规模机器人应用尚远

尽管取得了上述成果，Qwen-Robot Suite目前仍是模型集，而非成熟的消费级机器人平台。实际应用中会遇到传感器噪声、驱动磨损、非标准场景、感知误差和大量稀有场景。许多基准测试在模拟环境或受控条件下进行。

阿里巴巴也未披露访问成本、公开发布时间表及已测试Qwen-Robot Suite的客户名单。

提醒一下，4月阿里云推出了带有100万Token上下文窗口和外部工具支持的代理模型Qwen3.6-Plus。