Alibaba Enters Embodied AI Race With Qwen-VLA Model

🔑 增強重點摘要

•Qwen-VLA 是一款統一的具身基礎模型，它將機器人操作、導航和軌跡預測這三種異構任務整合到單一的視覺-語言-動作（VLA）框架中，打破了以往任務專用模型的碎片化格局。
•該模型透過「形態感知提示條件化」（embodiment-aware prompt conditioning）機制，利用對機器人平台和控制規範的文本描述，實現了單一模型跨多個機器人平台（例如11種不同平台）的適應性。
•Qwen-VLA 的核心架構結合了 Qwen3.5-4B 多模態骨幹網路和一個擁有 11.5 億參數的 Diffusion Transformer (DiT) 動作解碼器，用於生成連續的物理動作。
•模型的訓練採用了漸進式的四階段方法，包括文本到動作預訓練、持續預訓練、監督微調和強化學習，以逐步調整異構數據中的視覺、語言和動作。
•阿里巴巴在具身智慧領域採取「軟體+硬體+生態」的全鏈路策略，除了開發 Qwen-VLA 等模型外，還投資了宇樹科技、逐際動力等機器人硬體公司，並探索自研四足和人形機器人產品。

🛠️ 技術深入

模型架構： Qwen-VLA 整合了 Qwen3.5-4B 多模態骨幹網路與一個 11.5 億參數的 Diffusion Transformer (DiT) 動作解碼器，將視覺-語言建模棧從感知、理解與推理擴展至連續動作與軌跡生成。
統一任務框架： 該模型將機器人操作、視覺語言導航和軌跡預測等異構具身任務統一到單一的 VLA 框架中。
跨平台泛化： 透過「形態感知提示條件化」機制實現，即透過文本描述當前機器人平台與控制規範，使模型能適應多種機器人硬體。
訓練數據： 涵蓋多平台機械臂操作軌跡、人類第一人稱演示、大規模合成仿真數據、視覺語言導航數據、以軌跡為中心的監督信號以及輔助視覺語言數據。
訓練流程： 採用漸進式四階段訓練配方：
- 文本到動作 (T2A) 預訓練： 凍結 VLM，純文本訓練 DiT 解碼器，使其學習動作分佈、文本-動作對齊、形態條件化和流匹配動力學。
- 持續預訓練： 解凍 VLM，引入 Beta 分佈，開啟相機，將語言先驗與視覺觀察結合。
- 監督微調 (SFT)： 針對多任務評估軌跡進行微調。
- 強化學習 (RL)： 應用於策略。
性能基準： 在 LIBERO 基準測試中達到 97.9%，Simpler-WidowX 達到 73.7%，RoboTwin-Easy/Hard 分別達到 86.1%/87.2%，視覺語言導航 R2R OSR 達到 69.0%、RxR SR 達到 59.6%，真實世界 ALOHA 實驗 OOD 平均成功率為 76.9%，DOMINO 動態操作零樣本成功率為 26.6%。
論文發表： 相關研究論文已發布於 arXiv (2605.30280v1)。

🔮 前景展望AI analysis grounded in cited sources

Qwen-VLA 的統一框架將加速通用機器人的發展。

透過將多樣化的具身任務整合到單一模型中，並實現跨平台適應性，Qwen-VLA 減少了對特定任務或硬體模型的依賴，從而簡化了開發和部署流程。

阿里巴巴的「軟體+硬體+生態」策略將鞏固其在物理 AI 市場的地位。

結合 Qwen-VLA 等先進 AI 模型與對機器人硬體的投資，以及廣泛的應用生態系統，使阿里巴巴能夠建立一個全面且自我強化的 AI 開發與部署循環。

阿里巴巴在具身智慧領域的開源策略將加速行業發展。

阿里巴巴通義系列模型一直秉持開源策略，若 Qwen-VLA 未來開源，將為全球開發者提供強大的基礎模型，降低具身智慧應用的開發門檻。

⏳ 時間線

2023-04

阿里巴巴雲發布通義千問大語言模型，正式進入大模型領域。

2023-09

通義千問正式向社會公眾開放。

2024-01

Qwen-VL 系列（Qwen-VL-Plus 和 Qwen-VL-Max）發布，增強視覺推理能力。

2025-04

新一代模型 Qwen3 正式開源，涵蓋多種尺寸和架構。

2025-10

阿里巴巴通義千問部門成立機器人與具身智慧小組。

2026-05

阿里巴巴通義團隊正式發布 Qwen-VLA 模型。

Alibaba 推出 Qwen-VLA 模型，正式進軍具身智慧領域

⚡ 30-Second TL;DR

關鍵要點

🧠 深度解析

🔑 增強重點摘要

🛠️ 技術深入

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線

📎 來源 (18)

👉相關動態

Unitree CEO 與 GD01 機器人登上《時代》雜誌封面