Qwen新机器人模型摒弃常见AI捷径

阿里巴巴Qwen研究团队周三发布了三款机器人基础模型和一个用于智能体环境的世界模型，在通用视觉语言模型与从头为物理行动构建的架构之间划清了界限。验证地平线：为什么验证编码代理现在比构建它们更难

Qwen-Robot Suite包含三款不同模型。Qwen-RobotNav负责导航。Qwen-RobotManip负责操作。Qwen-RobotWorld是一个模拟具身物理的世界模型。与之相伴的是Qwen-AgentWorld，一个基于语言的世界模型，旨在模拟跨搜索、终端和软件工程环境等七个领域的智能体交互。桌面AI代理的真正瓶颈不是模型，而是技能库

“Qwen系列基础模型已经提供了对物理世界的强大感知和推理能力。但看到不等于行动，”团队在一篇博文中写道。“视觉与语言理解同物理控制之间的鸿沟仍然是具身智能的核心瓶颈。”

这一区别之所以重要，是因为当前大多数机器人AI研究都是将通用LLM或视频生成模型调整后用于物理任务。Qwen则从持续预训练开始，就将环境建模作为原生目标训练每个模型，而非在基于文本训练的LLM之上进行后期调整。Qwen-RobotNav将导航作为主要任务来学习，而不是将语言模型描述路径的能力加以重新利用。Fast-LeWM：并行动作前缀预测大幅降低潜在世界模型规划成本

Qwen-RobotManip已在多个真实机器人平台和任务上得到验证。在一个演示的流程中，Qwen-Omni观察场景，通过语音提出操作任务，并实时判断执行情况，没有预定义的任务列表。每个视频都显示模型即时完成任务，表明其具备开放式指令跟随和在未见环境中的泛化能力。

世界模型部分解决了一个不同但相关的瓶颈。当前的世界模型分裂为两个不尽人意的阵营：能够学习丰富视觉先验但缺乏具身物理理解的通用视频生成模型，以及精确但无法泛化到狭窄场景之外的领域特定模型。Qwen-RobotWorld旨在走一条中间路线：一个模型既能在物理环境中保持足够的通用性，又能保留对机器人控制至关重要的物理特性。MiniMax发布Hailuo 2.3视频模型：增强动态与风格支持

同时，Qwen-AgentWorld模拟的是语言智能体而非物理机器人的环境，覆盖MCP、搜索、终端和SWE领域的文本交互。该模型从持续预训练开始就将环境建模作为其目标进行训练，这与机器人套件相同的设计原则一致。IBM 开源 CUGA 智能体框架：跳过基础设施搭建，直接写提示词

此次发布正值机器人AI竞争加剧之际。Google DeepMind一直在研究机器人基础模型，而物理世界模拟仍是一个鲜有团队发布可复现基准的前沿领域。Qwen决定在没有相应研究论文（至少目前没有）的情况下发布该套件，这可能会让一些研究人员感到沮丧，不过团队已提供显示真实机器人性能的验证视频。

时机值得注意。Qwen的核心语言模型在标准NLP基准上继续表现强劲，但机器人套件表明该实验室将物理世界理解视为下一个竞争前沿，而仅凭语言模型的实力远远不够。这种专为用途构建的方法是否优于改编后的通用模型，将取决于机器人社区尚未标准化的基准测试。

Qwen-AgentWorld因仅基于语言，可能会更快得到采用：随着公司争相在部署前测试自主智能体，智能体模拟环境需求旺盛。一个覆盖搜索、终端、SWE和MCP协议的单一模型可以减少团队在组装测试工具时当前面临的工具开销。