Qwen 机器人大模型三件套：构建端到端物理智能体底座

Qwen-Robot Suite：三大基础模型构建端到端具身智能系统

  2026 年 6 月，Qwen 正式发布 Qwen-Robot Suite 机器人专用三大基础模型，分别对应导航、操作、环境推演三大核心能力，三者协同形成完整端到端具身智能系统，解决传统机器人分模块割裂、跨硬件难适配的行业痛点，为服务、工业、四足机器人提供通用 AI 底座。

Qwen-RobotNav：智能体的“行走系统”

  Qwen-RobotNav 是智能体的“行走系统”，主打视觉语言一体化导航。模型创新可控观测编码架构，将点对点移动、目标追踪、室内巡逻、自动驾驶等多类任务统一建模，无需拆分多个独立算法。针对传统机器人记忆僵化、远距离迷路问题，它支持自适应记忆策略，短距离追踪精简画面存储，长程任务保留完整上下文信息。依托千万级实景样本训练，该模型可零样本部署在四足、轮式机器人上，听懂自然语言寻物、巡逻指令，自主避开动态障碍物，大幅降低导航功能开发成本。

Qwen-RobotManip：机器人的“灵巧之手”

  作为机器人“灵巧之手”，Qwen-RobotManip 这款 VLA 视觉动作模型解决了不同机械臂适配难题。它设计 80 维统一动作表征，摒弃繁琐绝对坐标计算，依靠相机相对位置完成抓取、摆放、分拣等精细动作，单、双臂设备均可快速迁移。模型依托超 38000 小时开源机器人实操语料完成泛化训练，无需厂商单独采集私有数据。面对“拿起水杯放到桌面”这类自然语言指令，可自主拆解动作步骤，精准控制末端执行器力度，适配家用服务、工厂小件分拣等实操场景。

Qwen-RobotWorld：机器人的“预判大脑”

  Qwen-RobotWorld 相当于机器人的“预判大脑”，核心能力是时序动态推演。以自然语言作为输入接口，统一覆盖操作、驾驶、导航全场景，能依据物理规则预判物体下落、碰撞、液体流动等未来画面。机器人执行任务前可提前模拟整套动作轨迹，预判抓取失误、路线冲突等风险并实时纠错，实现“先推演、再行动”。海量视频文本对作为训练素材，让模型掌握真实世界物理常识，弥补纯视觉模型缺少预判能力的短板，提升复杂长任务稳定性。

语言优先统一范式，打造完整物理智能闭环

  三款模型采用语言优先统一范式，既能单独拆分使用，也可组合联动形成完整物理智能体。用户下达一条复合指令后，大语言模型拆解任务：RobotNav 规划移动路线，RobotManip 负责实物操作，RobotWorld 全程推演环境变化、实时修正方案，形成从语言理解、环境感知到物理执行、在线纠错的完整闭环。整套开源底座降低了机器人 AI 开发门槛，开发者无需从零搭建导航、操作、预测模块，可快速落地家用服务、园区巡检、工业分拣各类机器人产品，推动具身智能规模化落地。