当具身智能技术开始从实验室走向真实世界，一个关键问题也随之浮现：机器人怎样才能真正听懂指令，并在复杂环境中自主干活？

6月16日，阿里巴巴正式推出了千问具身智能大模型Qwen-Robot系列。相当于给各类机器人装上了一个能理解自然语言、感知三维环境、甚至掌握物理规律的“通用底座”。

千问首个完整具身智能矩阵亮相

这个系列一共包含三款核心模型。它们既能各自独立完成任务，也能像团队一样协同配合。

这也意味着，千问家族迎来了第一个完整的具身智能矩阵。

Qwen-RobotManip：负责核心操作

先看负责核心操作的Qwen-RobotManip。传统模型有个痛点：换个机器人平台，性能就大打折扣。

为了破这个局，该模型采用了统一的动作表征，并且在海量开源语料上完成了超过38000小时的预训练。

结果是，在第三方权威测评中，它的不同版本直接包揽了任务成功率的前两名。

• 从拧水龙头这种基础操作，
• 到双臂倒薯条这种复杂高难度动作，
• 都实现了突破。

Qwen-RobotNav：赋予机器人“认路”与“跑腿”能力

接着是赋予机器人“认路”与“跑腿”能力的Qwen-RobotNav。

这个模型把任务指令理解、目标搜索和自动驾驶等五大导航功能，整合到了同一个框架下。

亮点在于，它设计了“任务自适应观察机制”。这让机器人彻底告别僵化的记忆策略，可以灵活地“边走、边看、边规划”。

换句话说，在完全陌生的空间里，它也能高效完成寻物任务。

Qwen-RobotWorld：提升机器人“思维”深度

最后是提升机器人“思维”深度的Qwen-RobotWorld模型。

它本质上是一个物理世界模型。就像运动员在比赛前预演动作一样，机器人能对下一时刻的物理状态和动作进行推演。

这不仅弥补了训练数据不足的短板，更重要的是，机器人在实际动手之前就能完成轨迹预演，确保操作的精度一分不差。

三大模型协同，推动机器人加速走进日常生活

通过这三大模型的协同，具身智能系统得以把视觉感知、语言理解和动作决策深度融合在一起。

随着这一系列模型的落地，机器人执行任务的泛化能力会显著增强。

这也意味着，机器人真正走进日常生活场景的步伐，正在明显加快。

《夸克》非常好用的免费AI浏览器

下载APP查看