据千问大模型消息，阿里通义千问团队近日发布Qwen-Robot（LAWR）系列基础模型，旨在解决人工智能（885728）在物理世界中的行动难题。该系列通过三个专用模型，将语言指令与导航、操作、世界预测等物理动作对齐，标志着AI在理解和作用于真实物理环境方面迈出了关键一步。
长期以来，视觉语言模型虽能进行语言层面的任务规划，却难以生成可执行的物理动作指令。Qwen-Robot（LAWR） Suite通过三个基础模型弥合了这一“对齐”鸿沟：
1. Qwen-Robot（LAWR）Nav：作为物理智能体的行动入口，统一了指令跟随、目标导航、目标追踪和自动驾驶四类任务。其核心是参数化的可控观测编码协议，允许上层规划器动态调整视觉历史编码策略，以处理从长程指令跟随到实时目标追踪等不同需求。该模型在多个导航基准测试中达到SOTA水平，并已在真实四足机器人上实现零样本部署。
2. Qwen-Robot（LAWR）Manip：作为物理智能体的交互基石，专注于机器人操作控制。它通过统一的80维状态-动作表示、相机坐标系下的末端执行器增量位姿以及上下文策略自适应，解决了不同形态机器人（单臂、双臂、灵巧手等）的表示兼容问题。模型基于超过38,100小时的开源及合成机器人语料库训练，在多项操作基准测试中展现出卓越的分布外泛化、零样本指令跟随及跨本体迁移能力。
3. Qwen-Robot（LAWR）World：作为物理智能体的无限世界，是一个能够预测未来世界状态的世界模型。其关键设计是使用自然语言作为统一动作接口，覆盖20余种本体和500余个动作类别。模型采用双流MMDiT架构，并利用完整的Qwen2.5-VL多模态大语言模型作为动作编码器，内化物理知识，从而生成符合物理规律的未来预测。该模型在多个世界模型评测基准中位列第一。
这三个模型均提供语言优先的接口，使得上层的通用Qwen模型能够将它们作为工具进行组合调用，构建起能够执行复杂长程任务的智能体系统。实验表明，这种分层架构（如Qwen-3.5作为规划器，Qwen-Robot（LAWR）Manip作为执行器）能有效提升任务分解、失败恢复和开放环境下的鲁棒性。同时，结合Qwen-Robot（LAWR）Nav的智能体系统，在长程3D探索与具身问答任务上也取得了显著性能提升。
团队指出，物理世界智能仍处于起步阶段，但路径已愈发清晰：从强大的多模态理解出发，将视觉语言表示空间桥接至每一类物理行动，并通过扩大训练规模与追求泛化能力持续向前推进。Qwen-Robot（LAWR） Suite是迈向“能够去往任何地方、做任何事情，并预见行动后果的物理智能体”目标的第一步。
原文：Qwen-Robot 系列：会想会走会动手，迈出物理世界第一步（来源：千问大模型）
