Команда Qwen во вторник представила набор инструментов для робототехники. В него входят три foundation‑модели: Qwen-RobotNav, Qwen-RobotManip и Qwen-RobotWorld. Все они связывают языковые инструкции с различными типами физических действий.
Qwen-RobotNav переносит vision-language возможности в мобильную робототехнику. Для этого используются controllable observation encoding и tool-based interfaces. В одной архитектуре объединены четыре задачи: instruction following, goal-directed navigation, target tracking и autonomous driving.
Qwen-RobotManip вводит единое пространство state-action и описывает движение end-effector как incremental poses в системе координат камеры. Модель обучена на более чем 38,100 часах полностью open-source данных. Она также поддерживает масштабное обучение на нескольких платформах роботов.
Третья модель, Qwen-RobotWorld, работает как универсальная world model. Она связывает vision-language понимание с прогнозированием будущих состояний через natural-language action interface. Такой подход позволяет предсказывать физически согласованные результаты в сценариях navigation, driving и manipulation.
Ключевые факты
Команда Qwen представила робототехнический набор из трех фундаментальных моделей: Qwen-RobotNav, Qwen-RobotManip и Qwen-RobotWorld.
Qwen-RobotNav объединяет в одном фреймворке четыре задачи: выполнение инструкций, целенаправленную навигацию, отслеживание цели и автономное вождение.
Qwen-RobotManip обучена более чем на 38,100 часов полностью открытых данных и стандартизирует пространство состояний и действий, представляя движение эффектора как инкрементальные позы в системе координат камеры.
Qwen-RobotWorld выступает универсальной world model, соединяя vision-language понимание с прогнозированием будущих состояний через интерфейс действий на естественном языке.