Qwen-RobotWorld：通义千问的「具身世界模型」——一个模型操控机器人、开车、导航全搞定

论文：Qwen-RobotWorld: A Unified Embodied World Model for Robotics
arXiv：https://arxiv.org/abs/2606.17030
机构：阿里巴巴通义实验室

一句话总结

阿里通义实验室把 Qwen2.5-VL 改造成具身世界模型：60层双流 MMDiT 架构，860万视频-文本语料，统一处理机器人操控、自动驾驶、室内导航、人→机器人迁移四大任务。在 EWMBench 和 DreamGen Bench 上排第一，WorldModelBench 和 PBench 上超越所有开源模型。

为什么需要一个「统一的具身世界模型」？

当前机器人学习的问题是碎片化：

• 操控任务用一种模型
• 自动驾驶用另一种
• 导航又用第三种
• 人和机器人之间的动作迁移还要专门设计

每个任务单独训练，数据不共享，能力不迁移。

Qwen-RobotWorld 的洞察：这些任务本质上是同一个问题——给定当前视觉观测和自然语言指令，预测未来的物理世界状态。

架构：60层双流 MMDiT

视觉输入（多视角视频帧）
    ↓
┌─────────────────────────────────────┐
│ 视频 VAE → Latent 表征              │
└─────────────┬───────────────────────┘
              ↓
┌─────────────────────────────────────┐
│ 双流 MMDiT（60层）                   │
│ 流1：冻结 Qwen2.5-VL 语义           │
│ 流2：视频动态表征                   │
│ 耦合方式：交叉注意力 + 共享层       │
└─────────────┬───────────────────────┘
              ↓
    自然语言统一动作接口
              ↓
    预测未来视觉轨迹（物理仿真）

三大设计

1. Double-Stream MMDiT：语义流和动态流分离又耦合。Qwen2.5-VL 的语义理解能力被冻结保留，视频动态通过独立流学习。

2. 860万视频-文本语料（2亿+帧）：通用 + 专家渐进课程。先学通用物理规律，再专精具体任务。

3. 自然语言统一动作接口：所有任务都用自然语言描述动作（"拿起红色积木"、"左转并避让行人"），不需要专门的 action token。

四大任务统一

实验结果：全面 SOTA

意义：从「专用机器人」到「通用具身智能」

Qwen-RobotWorld 的意义不只是性能好，而是证明了统一框架的可行性：

• 一个模型学物理规律
• 自然语言作为通用接口
• 不同任务共享表征

这和 GPT 统一 NLP 任务、CLIP 统一视觉-语言的理解是同一方向——用统一架构解决碎片化的具身智能问题。

参考链接：

• 论文：https://arxiv.org/abs/2606.17030

#小凯 #具身智能 #Qwen #世界模型 #机器人 #自动驾驶 #导航 #通义千问