阿里巴巴正式发布千问Qwen-Robot系列具身智能大模型，这也是千问大模型家族推出的首个完整具身智能模型体系。该系列由Qwen-RobotManip、Qwen-RobotNav、Qwen-RobotWorld三款模型组成，分别对应机器人操作、导航、环境认知三大核心能力，如同为机器人打造出手、脚与思考大脑，三款模型支持独立部署或协同工作，为各类机器人商业化落地提供通用技术底座。
具身智能能够把大模型的数字交互能力延伸至现实物理世界，也是当前人工智能产业的重要发展方向。目前全球具身智能正处在从实验室走向商用场景的关键阶段，机器人能否听懂自然语言、适应陌生环境、稳定完成任务，是行业突破的核心难点。阿里 Qwen-Robot 系列通过针对性架构设计与训练优化，让机器人具备三维环境感知、物理规律理解能力，可自主执行复杂动作、灵活移动，甚至完成从未接触过的全新任务。
Qwen-RobotManip：通用操作模型，打造机器人灵巧之手
Qwen-RobotManip是视觉 – 语言 – 动作（VLA）模型，作为具身智能的核心基础，它融合视觉、语言与动作决策能力，解决了传统 VLA 模型跨设备、跨场景适配性差的行业痛点。该模型采用 80 维统一动作表征，为不同硬件设备建立通用动作逻辑，摆脱生硬的动作模仿模式；同时摒弃复杂的绝对坐标运算，依托画面相对位置完成操作，环境适应能力大幅提升。即便搭载在不同机器人硬件上，它仅需数次反馈即可完成适配，上手效率极高。
训练层面，该模型累计完成超38000小时语料预训练，全程依托开源数据打造，未使用私有采集数据，却实现顶尖性能。在全球权威真机多任务评测RoboChallenge Table30 v1中，其“Lira”与“Atlas”两个版本包揽榜单前两名，可稳定完成拧水龙头、插网线、双臂倒薯条等30项真实场景任务，官方评价其“基础任务表现稳定，高难度任务具备突破能力”。
Qwen-RobotNav：视觉导航模型，赋予机器人行走与寻路能力
Qwen-RobotNav属于视觉-语言 – 导航（VLN模型），基于Qwen-VL搭建，将语言导航、目标搜寻、自动驾驶等五大任务整合至统一框架，无需人工切换模型即可应对复杂导航需求。针对传统导航模型“记忆僵化、易迷路”的问题，该模型创新搭载任务自适应观察机制，可根据场景动态调整记忆策略，实现边走、边看、边规划路线。
该模型还具备出色的通用性，是业内少数原生兼容多种智能体框架的VLN模型，可被上层模型灵活调用。实际应用中，搭载该模型的宇树Go2四足机器人，能够接收语音指令自主巡逻、视觉推理并完成寻物等任务，充分验证了导航能力的实用性。多项评测数据显示，其在路径规划、跨场景迁移等维度均刷新行业水准。
Qwen-RobotWorld：世界模型，构建机器人的思考大脑
Qwen-RobotWorld是整套体系的“认知核心”世界模型，核心作用是帮助机器人理解现实物理规律，提前推演动作轨迹与运行状态。在执行任务前，它可以模拟后续动作，让机器人操作更加精准；同时还能生成海量视频训练数据，有效缓解行业普遍存在的训练数据短缺难题，降低模型迭代成本。
三大模型协同运作，让机器人形成完整的感知、决策、执行闭环。整套Qwen-Robot系列延续千问大模型强大的语言理解能力，在统一自然语言指令下，无论单独使用还是组合部署，均能保持稳定高性能，助力机器人在复杂现实环境中实现自主作业、长周期执行等能力。
