Qwen-VLA: จากการเข้าใจโลกสู่การลงมือปฏิบัติ
หัวข้อต้นฉบับ:Qwen-VLA: From Understanding the World to Acting in It
สรุปโดย AI
Tongyi Qianwen เปิดตัวโมเดล vision-language-action ทั่วไป Qwen-VLA ซึ่งอิงกระดูกสันหลังมัลติโมดัล Qwen ขยายการรับรู้ภาพ ความเข้าใจภาษา และการให้เหตุผลเชิงพื้นที่ไปสู่การสร้างการกระทำต่อเนื่องและการพยากรณ์เส้นทาง การฝึกแบ่งเป็นสี่ระยะ: การฝึกล่วงหน้าจากข้อความเป็น動作 (T2A), การฝึกล่วงหน้าต่อเนื่อง (CPT), การปรับแต่งละเอียดแบบมีผู้กำกับ (SFT) และการเรียนรู้แบบเสริมกำลัง (RL) ทำได้ 97.9% บน LIBERO, 73.7% บน Simpler-WidowX และ 86.1%/87.2% บน RoboTwin-Easy/Hard เทียบเท่าหรือเหนือกว่าโมเดลเฉพาะทาง ข้อมูลครอบคลุมเส้นทางหุ่นยนต์สาธารณะกว่า 10,000 ชั่วโมง เส้นทางจริงภายในองค์กรกว่า 1,000 ชั่วโมง และเส้นทางจำลองสังเคราะห์กว่า 8 ล้านรายการ
ข้อมูลสำคัญ
- Tongyi Qianwen เปิดตัวโมเดล vision-language-action ทั่วไป Qwen-VLA ซึ่งอิงกระดูกสันหลังมัลติโมดัล Q…
- 9% บน LIBERO,73.
- 7% บน Simpler-WidowX และ 86.
- 2% บน RoboTwin-Easy/Hard เทียบเท่าหรือเหนือกว่าโมเดลเฉพาะทาง…
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- Qwen:Blog Retrieval(API)
- หมวดหมู่
- เปิดตัวโมเดล
- คะแนน AI
- 66
Qwen-VLA 把机器人操作、导航和跨实体控制统一进一个模型,在多个基准上打平甚至超越专用模型,这是通用具身智能的一个重要信号,但离实际可用还有距离。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: Qwen-VLA: จากการเข้าใจโลกสู่การลงมือปฏิบัติ 29 พฤษภาคม 2026 https://new.nat6.net/th/news/cmpr2b1l40aa6slnoit9b7p92/