Qwen-VLA:迈向通用具身智能的统一动作框架
AI 摘要
通义实验室提出Qwen-VLA,以Qwen3.5-4B视觉语言主干与1.15B参数DiT动作解码器构建统一视觉-语言-动作模型。通过文本到动作DiT预训练和本体感知提示,将操作、导航与轨迹预测统一在同一框架下,支持11种机器人平台。在5个仿真基准中,单一通用模型在3个上超越最佳专用模型;ALOHA真机in-domain成功率83.6%,OOD泛化76.9%,分别超越π₀.₅超35和40个百分点;DOMINO动态操作零样本达26.6%;VLN-CE导航R2R和RxR分别达57.5%和59.6%,均超越专用模型。
关键信息
- 通义实验室提出Qwen-VLA,以Qwen3.
- 5-4B视觉语言主干与1.
- 15B参数DiT动作解码器构建统一视觉-语言-动作模型。
- 通过文本到动作DiT预训练和本体感知提示,将操作、导航与轨迹预测统一在同一框架下,支持11种机器人平台。
- 在5个仿真基准中,单一通用模型在3个上超越最佳专用模型
速览
- 发布时间
- 更新时间
- 分类
- 模型发布
- AI 评分
- 61
推荐理由
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。
相关实体
来源与版权
本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。
如何引用
引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。
橙子新闻:Qwen-VLA:迈向通用具身智能的统一动作框架。2026年5月29日。https://new.nat6.net/news/cmq2o71l001irsl6nww43cve6/