Новости криптомира

Alibaba Cloud представила комплексное решение Qwen-Robot Suite — набор фундаментальных ИИ-моделей, предназначенных для управления роботами в физической среде. В этот стек вошли три ключевые модели: Qwen-RobotNav для навигации, Qwen-RobotManip для манипуляции объектами и Qwen-RobotWorld для прогнозирования развития сцены. Проект позиционируется как «полный стек для воплощенного искусственного интеллекта», объединяющий восприятие, планирование и выполнение действий.

Это не просто очередное обновление языковой модели. Alibaba делает ставку на physical AI — направление, где ИИ должен не только обрабатывать текст и изображения, но и взаимодействовать с реальным миром. Qwen-Robot Suite уже проходит пилотные испытания у корпоративных клиентов Alibaba Cloud в сфере робототехники, что указывает на серьезность намерений компании.

Qwen-RobotNav: универсальная навигация

Модель Qwen-RobotNav, построенная на базе Qwen3-VL, объединяет пять типов навигационных задач: следование инструкциям, движение к заданной точке, поиск объектов, отслеживание цели и автономное вождение. Она обучена на 15,6 миллионах образцов, связанных с планированием маршрутов и визуально-языковым рассуждением.

Результаты впечатляют: 76,5% успешности на бенчмарке VLN-CE RxR и 90% на EVT-Bench. Модель может выступать как исполнительный модуль в составе более крупных агентных систем, где верхнеуровневая модель планирует задачу, а Qwen-RobotNav отвечает за физическое перемещение.

Qwen-RobotManip: действия с объектами

Qwen-RobotManip решает одну из ключевых проблем робототехники — гетерогенность данных. Разные типы роботов (манипуляторы, двуручные платформы, мобильные системы) используют различные координаты и форматы команд. Модель приводит эти данные к единому представлению, позволяя переносить навыки между устройствами.

Для обучения было использовано более 38 100 часов данных, включая 11 320 часов открытых роботических данных, 1933 часа видео действий человека и 24 808 часов синтетических демонстраций. Модель заняла первое место в RoboChallenge Table30 v1 и продемонстрировала устойчивость к новым инструкциям и незнакомым объектам.

Qwen-RobotWorld: модель мира

Qwen-RobotWorld — это видеомодель мира, управляемая естественным языком. Она прогнозирует развитие сцены после заданного действия, что критически важно для манипуляций, автономного вождения и планирования. Корпус Embodied World Knowledge включает 8,6 миллионов пар «видео-текст» и более 200 миллионов кадров, охватывающих 20 типов роботических платформ и 500 категорий действий.

Модель заняла первые места в EWMBench и DreamGen Bench, превзойдя все открытые аналоги. Alibaba утверждает, что Qwen-RobotWorld демонстрирует высокую согласованность с базовыми физическими закономерностями — движением, сохранением массы и гравитацией.

Однако следует отметить, что Qwen-Robot Suite остается набором моделей, а не готовой потребительской платформой. Реальное внедрение сталкивается с шумом сенсоров, износом приводов и редкими сценариями, которые сложно воспроизвести в симуляции. Alibaba пока не раскрыла стоимость доступа и сроки публичного запуска.

Мой анализ: Alibaba делает стратегически верный шаг, расширяя экосистему Qwen в физический мир. Однако путь от бенчмарков к реальному внедрению в промышленности будет долгим. Ключевым фактором успеха станет не столько точность моделей, сколько их способность адаптироваться к нестандартным ситуациям и аппаратным ограничениям. Инвесторам и разработчикам стоит внимательно следить за пилотными проектами — именно они покажут, насколько Qwen-Robot Suite готов к реальным задачам.