Qwen-VLA: กรอบการดำเนินการแบบรวมสำหรับ embodied intelligence ทั่วไป
สรุปโดย AI
ห้องปฏิบัติการ Tongyi เสนอ Qwen-VLA สร้างโมเดล Vision-Language-Action แบบรวมด้วยแกนหลัก Vision-Language Qwen3.5-4B และตัวถอดรหัสการดำเนินการ DiT ขนาด 1.15B พารามิเตอร์ ผ่านการฝึกก่อนแบบ Text-to-Action DiT และการบอกสภาพร่างกายตนเอง รวมการจัดการ การนำทาง และการคาดการณ์เส้นทางไว้ในกรอบเดียวกัน รองรับแพลตฟอร์มหุ่นยนต์ 11 แบบ ในเกณฑ์จำลอง 5 รายการ โมเดลทั่วไปเพียงตัวเดียวเอาชนะโมเดลเฉพาะทางที่ดีที่สุดได้ใน 3 รายการ อัตราความสำเร็จ in-domain บนหุ่นจริง ALOHA 83.6% การทั่วไปแบบ OOD 76.9% เอาชนะ π₀.₅ เกิน 35 และ 40 เปอร์เซ็นต์ตามลำดับ การจัดการแบบไดนามิก DOMINO แบบ zero-shot 26.6% การนำทาง VLN-CE บน R2R และ RxR ได้ 57.5% และ 59.6% ตามลำดับ ต่างก็เอาชนะโมเดลเฉพาะทาง
ข้อมูลสำคัญ
- ห้องปฏิบัติการ Tongyi เสนอ Qwen-VLA สร้างโมเดล Vision-Language-Action แบบรวมด้วยแกนหลัก…
- 5-4B และตัวถอดรหัสการดำเนินการ DiT ขนาด 1.
- 15B พารามิเตอร์ ผ่านการฝึกก่อนแบบ Text-to-Action DiT และการบอกสภาพร่างกายตนเอง รวมการจัดการ…
- 6% การทั่วไปแบบ OOD 76.
- 9% เอาชนะ π₀.
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- 公众号:通义实验室(千问)
- หมวดหมู่
- เปิดตัวโมเดล
- คะแนน AI
- 61
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。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: Qwen-VLA: กรอบการดำเนินการแบบรวมสำหรับ embodied intelligence ทั่วไป 29 พฤษภาคม 2026 https://new.nat6.net/th/news/cmq2o71l001irsl6nww43cve6/