← 全部模型

Qwen-RobotWorld

发布时间 发布主体 Alibaba

模型定位

Qwen-RobotWorld 是面向具身智能的语言条件视频世界模型,属于 Qwen-Robot Suite。它以当前视觉观测和自然语言动作描述为条件,预测未来视觉轨迹,而不是通用文本聊天模型。(alibabacloud.com)

能力与技术

  • **视频世界建模:**根据语言指令生成场景后续变化,覆盖机器人操作、自动驾驶、室内导航和人类示范到机器人场景的迁移。(arxiv.org)
  • **指令与视角:**官方展示了对目标、位置和动作措辞的区分,以及复杂多步指令、跨场景泛化和多视角一致性。(qwen.ai)
  • **架构:**采用 60 层双流多模态扩散 Transformer,以冻结的 Qwen2.5-VL 编码语言动作,并结合视频 VAE 表示视觉状态。训练语料约含 860 万视频—文本对、超过 2 亿帧,覆盖 20 多种具身形态和 500 多类动作。(arxiv.org)
  • **评测:**技术报告称该模型在 EWMBench 和 DreamGen Bench 总体排名第一,并在 WorldModelBench 和 PBench 中超过所比较的开源模型;这些是报告中的评测结果,并非对所有实际场景的保证。(arxiv.org)

用途与限制

可用于生成机器人策略训练的合成视频数据、构建策略评估用虚拟环境,以及为下游机器人控制提供语言引导的规划信号。(arxiv.org)

模型主要生成未来视觉轨迹;实际机器人执行仍需下游控制系统。生成画面并不保证完全符合物理规律或真实执行结果,应用于真实设备前应进行独立验证和安全测试。未核实该模型的公开 API、权重及商用授权状态。

价格

截至 2026-11-16,检索阿里云百炼国内站人民币价格页及阿里云国际站美元价格页,均未找到可核实的 Qwen-RobotWorld 专项报价;输入和输出的计费方式、单位及金额均未核实。不将其他千问模型的价格套用到本模型。(help.aliyun.com)

发布与官方来源