阿里发布统一具身大模型Qwen-VLA,支持11种机器人平台
事件速览
- 核心事件:阿里巴巴于2026年6月16日正式发布千问具身智能大模型Qwen-Robot系列,这是千问家族首个完整的具身智能模型体系
- 技术架构:该系列包含Qwen-RobotManip(VLA操作模型)、Qwen-RobotNav(VLN移动模型)、Qwen-RobotWorld(世界模型)三大核心模型
- 关键突破:Qwen-RobotManip采用80维统一动作表征,硬件迁移成本降低60%;Qwen-RobotWorld支持48,360视频Token长时序推演
- 行业定位:该系列被视为具身智能“通用底座”时代开启的标志,定位为国内唯一全模块开源的通用底座
展开说说
大一统的动作框架
Qwen-Robot系列的核心突破在于打破了机器人领域长期存在的“碎片化”壁垒。此前,机械臂抓取、移动导航、轨迹预测往往需要不同的模型架构,而Qwen-Robot通过80维统一动作表征,首次将这些异质任务打通。这种“大一统”的架构实现了跨硬件的零门槛适配,将硬件迁移成本降低了60%。这意味着同一个模型“大脑”,可以即插即用地驾驭从单臂机械臂到双臂人形机器人的不同“身体”,彻底解决了此前机器人“换硬件就要重写模型”的顽疾。
Qwen-Robot系列的核心突破在于打破了机器人领域长期存在的“碎片化”壁垒。此前,机械臂抓取、移动导航、轨迹预测往往需要不同的模型架构,而Qwen-Robot通过80维统一动作表征,首次将这些异质任务打通。这种“大一统”的架构实现了跨硬件的零门槛适配,将硬件迁移成本降低了60%。这意味着同一个模型“大脑”,可以即插即用地驾驭从单臂机械臂到双臂人形机器人的不同“身体”,彻底解决了此前机器人“换硬件就要重写模型”的顽疾。
反直觉的训练策略
该系列在训练策略上揭示了反直觉的结论:Qwen-RobotManip完全基于38,100小时开源数据预训练,在RoboChallenge评测包揽前两名。这表明在让模型“看”世界之前,先让它通过语言建立对动作逻辑的抽象理解至关重要。此外,Qwen-RobotWorld作为全球首个用自然语言作为统一动作接口的世界模型,支持长达48,360视频Token的长时序推演,使碰撞失误率下降40%。这种“蒙眼练动作”结合“长时预判”的策略,为具身智能从实验室走向真实场景提供了新范式。
该系列在训练策略上揭示了反直觉的结论:Qwen-RobotManip完全基于38,100小时开源数据预训练,在RoboChallenge评测包揽前两名。这表明在让模型“看”世界之前,先让它通过语言建立对动作逻辑的抽象理解至关重要。此外,Qwen-RobotWorld作为全球首个用自然语言作为统一动作接口的世界模型,支持长达48,360视频Token的长时序推演,使碰撞失误率下降40%。这种“蒙眼练动作”结合“长时预判”的策略,为具身智能从实验室走向真实场景提供了新范式。
迈向通用底座时代
此次发布标志着阿里从“会说话”正式走向“会做事”。与特斯拉Optimus(硬件绑定)、小米CyberOne(场景局限)、百度文心(端侧薄弱)不同,Qwen-Robot定位为国内唯一全模块开源通用底座。三款模型既可独立部署,也能协同运转,打通了“感知-移动-操作”全链路。随着阿里云业务AI货币化路径的清晰,这一开源底座有望加速学术界与产业界的探索,推动具身智能在更多复杂真实场景中的落地应用。
此次发布标志着阿里从“会说话”正式走向“会做事”。与特斯拉Optimus(硬件绑定)、小米CyberOne(场景局限)、百度文心(端侧薄弱)不同,Qwen-Robot定位为国内唯一全模块开源通用底座。三款模型既可独立部署,也能协同运转,打通了“感知-移动-操作”全链路。随着阿里云业务AI货币化路径的清晰,这一开源底座有望加速学术界与产业界的探索,推动具身智能在更多复杂真实场景中的落地应用。
历史事件回溯
当前事件
阿里发布Qwen-Robot具身大模型
- 核心技术:基于Qwen大模型,支持多模态感知与物理交互
- 应用场景:面向家庭服务、工业操作等实体任务场景
- 发布时间:2025年4月
2024年10月
谷歌发布RT-2X具身智能模型
- 核心技术:基于PaLM-E大模型,融合视觉-语言-动作
- 应用场景:用于机器人执行复杂现实世界任务
- 发布时间:2024年10月
2023年7月
英伟达推出VIMA多模态机器人模型
- 核心技术:支持文本、图像、视频等多模态输入指令
- 应用场景:适用于桌面级操作与模拟环境任务
- 发布时间:2023年7月


当前文章无评论,是时候发表评论了