モデル公開

Qwen-VLA:汎用具身智能に向けた統一アクションフレームワーク

AI 要約

通義実験室はQwen-VLAを提唱した。Qwen3.5-4B視覚言語バックボーンと1.15BパラメータのDiTアクションデコーダで統一視覚-言語-アクションモデルを構築する。テキストからアクションへのDiT事前学習と固有感覚プロンプトにより、操作、ナビゲーション、軌跡予測を同一フレームワーク下に統合し、11種のロボットプラットフォームをサポートする。5つのシミュレーションベンチマークのうち3つで、単一の汎用モデルが最良の専用モデルを上回った。ALOHA実機のin-domain成功率は83.6%、OOD汎化は76.9%で、それぞれπ₀.₅を35ポイント、40ポイント上回る。DOMINO動的操作のゼロショットは26.6%。VLN-CEナビゲーションのR2RとRxRはそれぞれ57.5%と59.6%に達し、いずれも専用モデルを上回った。

要点

  • 通義実験室はQwen-VLAを提唱した。
  • 5-4B視覚言語バックボーンと1.
  • 15BパラメータのDiTアクションデコーダで統一視覚-言語-アクションモデルを構築する。
  • テキストからアクションへのDiT事前学習と固有感覚プロンプトにより、操作、ナビゲーション、軌跡予測を同一フレームワーク下に統合し、11種のロボットプラットフォームをサポートする。
  • 5つのシミュレーションベンチマークのうち3つで、単一の汎用モデルが最良の専用モデルを上回った。

概要

公開日時
更新日時
出典
公众号:通义实验室(千问)
カテゴリ
モデル公開
AI スコア
61
原文を読む 情報源で全文を読む
おすすめの理由

通义把操作、导航和轨迹预测塞进一个脑子,在11种机器人上通用,这是具身智能从'专家'走向'通才'的关键一步,做机器人的值得翻翻论文。

関連エンティティ

出典と著作権

本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。

原文記事 · AIHOT 記事

引用方法

本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。

Orange News:Qwen-VLA:汎用具身智能に向けた統一アクションフレームワーク。2026年5月29日。https://new.nat6.net/ja/news/cmq2o71l001irsl6nww43cve6/

すべて見る →
  • ChatGPT に GPT-5.5 Instant の新バージョンが登場

    ChatGPT に GPT-5.5 instant モデルを追加: 本日、GPT-5.5 instant の新バージョンをリリースしました。以前のモデルは「弾丸化」しすぎていました。新バージョンは他のいくつかの重要な次元で改善されています…

    X:Greg Brockman (@gdb)モデル公開AI スコア 69

  • xAI、Grok Build 0.1のパブリックベータ版をリリース

    grok-build-0.1はxAI APIを通じてパブリックベータ版を提供開始した。Grok Build CLIを動かすのと同じモデルで、エージェント型コーディングを得意とする。価格は入力$1/m、出力$2/mで、コスト効率が高く、高性…

    X:SpaceX Super Intelligence (@SpaceXSI)モデル公開AI スコア 73

  • シャオミ、制御可能な動画効果音生成モデル ControlFoley をオープンソース化、音を「思い通りに」

    シャオミの大規模モデルアプリケーションチームは、オープンソースの制御可能な動画効果音生成モデル ControlFoley を発表した。創作における制御性の課題を解決することを目的としている。このモデルは、テキストガイドによる動画吹き替え、…

    IT之家·人工智能モデル公開AI スコア 74

  • Gemini OmniとGemini 3.5の11の実践デモ

    Googleは2026年のGoogle I/Oで次世代マルチモーダルモデルGemini OmniとGemini 3.5を発表し、合わせて11本の動画を公開して両モデルの実場面での能力を集中的にデモンストレーションした。

    Google Blog:AI(RSS)モデル公開AI スコア 74

  • Qwen-VLA:世界を理解して行動へ

    通義千問は汎用視覚-言語-行動モデルQwen-VLAを発表した。Qwenマルチモーダル基盤に基づき、視覚知覚・言語理解・空間推論を連続的な行動生成と軌道予測へ拡張する。トレーニングはテキストから行動への事前学習(T2A)、継続的事前学習(…

    Qwen:Blog Retrieval(API)モデル公開AI スコア 66