大模型已经具备强大的视觉、语言与空间理解能力，但“看懂世界”并不等于“能够在世界中行动”。
通义千问（Qwen）团队在 Qwen-Robot Suite / Embodied Foundation Models 方向最新推出了 Qwen-Robot Suite 系列三项重磅工作。
这组工作围绕一个共同问题展开：如何把 Qwen 系列 VLM / MLLM 的感知、语言理解和推理能力，进一步对齐到物理世界中的 navigation （Qwen-RobotNav）、manipulation （Qwen-RobotManip） 和 world dynamics （Qwen-RobotWorld ）？
Qwen-RobotNav
Qwen-RobotNav 将 VLN、PointNav/ObjectNav、target tracking、autonomous driving 和 EQA 等任务统一为 waypoint prediction，并重点研究 navigation model 如何在不同任务中组织 observation history 和 visual context。
使用 15.6M 样本训练，在 VLN、ObjectNav、Tracking、EQA、NAVSIM 等 benchmark 以及 Unitree Go2 zero-shot deployment 中验证，取得了全面SOTA的结果。
🔥 Qwen-RobotNav Technical Report: A Scalable Navigation Model Designed for an Agentic Navigation System
🚀 Paper: https://arxiv.org/abs/2606.18112]
🚀 Blog: https://qwen.ai/blog?id=qwen-robotnav
Qwen-RobotManip
Qwen-RobotManip 是一个 robotic manipulation foundation model，核心问题是如何让不同机器人本体、不同动作空间、不同相机配置下的数据能够进入同一个 scalable VLA training pipeline。
基于约 38,100 小时操作语料训练，在 OOD generalization、instruction following、cross-embodiment transfer 10+组benchmark 和 RoboChallenge Table30 v1 上取得rank 1结果。
🔥 Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models
🚀 Paper: https://arxiv.org/abs/2606.17846
🚀 Blog: https://qwen.ai/blog?id=qwen-robotmanip
Qwen-RobotWorld
Qwen-RobotWorld 是一个 language-conditioned embodied world model。它不直接输出 low-level control，而是学习在当前 observation 和 language action condition 下预测未来视觉状态。将 manipulation、driving、navigation、human-to-robot transfer 中的异构 action space 统一为 natural-language action specification；
覆盖 8.6M video-text pairs、超过 200M frames、20+ embodiments 和 500+ action categories； 在开源模型中取得了rank 1 的结果。
🔥 Qwen-RobotWorld Technical Report: Unifying Embodied World Modeling through Language-Conditioned Video Generation
🚀 Paper: https://arxiv.org/abs/2606.17030]
🚀 Blog: https://qwen.ai/blog?id=qwen-robotworld
这三篇背后有一个统一的技术 insight：Alignment Unlocks Scale。
在具身智能中，scaling 的难点不只是数据量和模型规模，而是异构数据之间的结构不一致：robot embodiment、action space、camera geometry、observation history、language instruction、以及 world transition 都需要被显式对齐。
只有先建立这些对齐接口，大规模具身预训练才更可能转化为 OOD generalization、cross-embodiment transfer 和 agentic system capability。
这组工作也包含了在较大规模具身模型预训练中的一些工程实践，包括 multi-source embodied data curation、cross-embodiment action representation、VLM/VLA co-training、task-adaptive observation encoding、language-conditioned world modeling 等。
值得一提的是，团队在 Navigation 和 Manipulation 任务中，已清晰观测到了 Data Scaling 的显著收益趋势。这不仅验证了“对齐”策略的有效性，也为未来构建更通用的具身大模型指明了可行的 Scaling Law 路径。
8月1日（周六）上午10点，青稞Talk 第140期，青稞社区邀请到通义千问（Qwen）团队研究员陈雄辉，围绕“Alignment Unlocks Scaling”这一核心命题，系统介绍 Qwen-Robot Suite 的设计原理与实践思考。包括Qwen-RobotManip ，Qwen-RobotNav ，Qwen-RobotWorld 的模型架构与关键技术。也将结合研发实践，谈谈对于未来具身基础模型的观点与看法。
青稞介绍
陈雄辉，通义千问（Qwen）团队研究员，博士毕业于南京大学人工智能学院 LAMDA 实验室，师从俞扬教授。长期从事强化学习、世界模型与具身智能研究，已发表30+Xu额数论文，目前主要负责 Qwen 具基础模型方向的研究，是基模团队的RL算法和infra的核心贡献者，牵头进行了 Qwen-Robot 系列模型研发。
主题提纲
Alignment unlocks Scaling：Qwen-Robot Suite 的设计原理和背后的思考
1、什么是 Alignment Unlocks Scale ？
2、Qwen-Robot 系列模型架构与关键技术
- Qwen-RobotNav ：物理智能体的行动入口
- Qwen-RobotManip：物理智能体的交互基石
- Qwen-RobotWorld ：物理智能体的无限世界
3、谈谈对未来具身基础模型的观点与看法
4、AMA （Ask Me Anything）环节
直播时间
8月1日（周六）10:00 - 11:00