Qwen发布机器人专用大模型三件套 构建端到端物理智能体

今天要聊的，是Qwen团队在机器人领域的最新进展。6月17日，他们正式发布了一套面向机器人场景的模型套件，包含三个基础模型：Qwen-RobotNa v、Qwen-RobotManip和Qwen-RobotWorld。这三款模型分工明确，但目标高度一致——让机器人更自然理解人类语言、更高效完成实际任务。

先说Qwen-RobotNa v，它主要负责移动控制。简单来说，就是给机器人装上一套“看得懂指令、走准路线”的智能大脑。该模型将可控观测编码与标准化工具接口深度融合，把视觉语言理解能力直接嵌入到导航系统中。这样一来，从指令跟随、点对点导航，到动态目标追踪，甚至自动驾驶等复杂任务，都能在一个统一的框架下协同完成。换句话说，它让机器人清晰知道自己要去哪儿、该怎么走。

再来看Qwen-RobotManip，它专注于操作控制。这个模型的亮点在于，它明确定义了状态和动作空间，然后在相机坐标系下精准建模末端执行器的增量位姿。听起来很技术，但效果非常直接：视觉语言能力可以驱动精细操作。例如，机器人接收到“把那个杯子拿起来”的指令后，就能理解并执行。支撑它的是一个超38100小时的多机型操作语料库，完全开源，覆盖大量真实场景，因此泛化能力相当出色。

最后一个，Qwen-RobotWorld，它的任务是世界动态建模。该模型将自然语言作为动作输入接口，把视觉语言能力延伸到物理世界的时序预测中。换句话说，它能在操作、驾驶、导航等多种场景下，持续输出符合真实物理规律的未来状态推演。这相当于给机器人装了个“预演器”，让它在动手之前先预判结果。

这三个模型都采用语言优先的设计范式，可以灵活接入通用大语言模型。它们组合在一起，构成了一套完整的物理智能体系统——能感知、能理解、能规划、能执行。目前Qwen已经验证了从自然语言指令解析、实时任务分解，到复杂物理任务自主执行与在线纠错的完整闭环能力。可以说，这条技术路线已经切实可行。