模型发布

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
来源
公众号:通义实验室(千问)
分类
模型发布
AI 评分
61
阅读原文 前往信息源阅读完整正文
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。

原文链接 · AIHOT 条目

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/

查看全部 →
  • ChatGPT上线GPT-5.5 Instant新版本

    ChatGPT 新增 GPT-5.5 instant 模型: 我们今天发布了 GPT-5.5 instant 的新版本。之前的模型过于“子弹化”。新版本在其他一些重要维度上有所改进:谄媚性、事实性和多语言性能。希望你喜欢!我们始终对反馈感…

    X:Greg Brockman (@gdb)模型发布AI 评分 69

  • xAI 发布 Grok Build 0.1 公测版

    grok-build-0.1 现已通过 xAI API 提供公开测试版。 这是驱动 Grok Build CLI 的同一模型,擅长智能体编码。 定价为输入 $1/m,输出 $2/m,极具成本效益、智能且快速。

    X:SpaceX Super Intelligence (@SpaceXSI)模型发布AI 评分 73

  • Gemini Omni 与 Gemini 3.5 的 11 个实战展示

    Google 在 2026 年 Google I/O 大会上发布了新一代多模态模型 Gemini Omni 与 Gemini 3.5,并同步提供了 11 个视频,集中演示了这两款模型在实际场景中的能力。

    Google Blog:AI(RSS)模型发布AI 评分 74

  • Qwen-VLA:从理解世界到付诸行动

    通义千问推出通用视觉-语言-动作模型Qwen-VLA,基于Qwen多模态骨干,将视觉感知、语言理解与空间推理扩展至连续动作生成和轨迹预测。训练分四阶段:文本到动作预训练(T2A)、持续预训练(CPT)、监督微调(SFT)和强化学习(RL)…

    Qwen:Blog Retrieval(API)模型发布AI 评分 66

  • OpenAI推出实时翻译模型,支持70+语言输入

    OpenAI 实时翻译功能——使用70多种输入语言说话,翻译成13种输出语言: gpt-realtime-translate 接收任意语言的语音输入,并输出目标语言的语音。 大语言模型很棒,但特定用例需要专用模型。 我们正在智能眼镜上运行…

    X:Greg Brockman (@gdb)模型发布AI 评分 76