阿里Qwen-Robot 系列发布 让机器人会想会走会动手

就在6月17日，Qwen团队正式推出了一套机器人套件，包含三个基础模型：Qwen-RobotNa v、Qwen-RobotManip和Qwen-RobotWorld。这套模型的核心思路，是把大语言模型的语义理解能力，精准对接到不同类型的物理动作上——换句话说，让“语言”能直接指挥“机器”干实事。

先说Qwen-RobotNa v。它通过可控观测编码和工具接口，将视觉语言能力融入了移动控制。这意味着什么？它统一了四类典型的移动任务：指令跟随、点/目标导航、目标追踪，甚至自动驾驶。从“走到桌子旁边”这种简单的指令，到复杂的环境自主导航，一个模型框架都能搞定，这种整合在以往并不多见。

接着看Qwen-RobotManip，它专注于操作控制。其做法是规范状态-动作空间，并引入相机坐标系下的末端执行器增量位姿，从而让视觉语言能力更精准地驱动机械臂。更关键的是，它的训练语料库完全基于开源数据构建，规模超过了38,100小时，支撑起大规模的多机型训练——也就是说，同一个模型可以适配不同型号的机械臂，而不是为每个机型单独训练。

Qwen-RobotWorld则走的是另一条路：它通过自然语言动作接口，把视觉语言能力接入世界动态预测。说白了，就是让同一个世界模型能够跨操作、驾驶和导航场景，预测出符合物理规律的未来状态。这意味着，机器人不仅能看到现在，还能“想象”下一步会发生什么，这在复杂环境中的决策非常关键。

三个模型有一个共同点：都采用语言优先的接口。它们可以与通用大模型组合，构成完整的物理智能体系统。Qwen已经展示了从语言理解到复杂物理任务执行的闭环能力，包括实时任务分解和自主纠错——听起来像是，你只需告诉它“我想做这个”，它就能自己分解步骤、执行、发现问题并主动调整。这才是真正意义上的“可指挥机器人”。