Alibaba жасанды интеллектті физикалық әлемге шығарады: роботтарды басқаруға арналған Qwen-Robot Suite модельдер стегі ұсынылды
Alibaba ресми түрде Qwen-Robot Suite — физикалық ортадағы міндеттерді шешуге арналған іргелі AI-модельдерінің кешенді жиынтығын ұсынды. Пакетке үш мамандандырылған модель кірді: навигация үшін Qwen-RobotNav, объектілермен манипуляциялау үшін Qwen-RobotManip және сахна дамуын болжау үшін Qwen-RobotWorld. Әзірлеушілер бұл жобаны «толық стектік embodied AI» ретінде позициялайды. Бұл физикалық агенттерге — роботтарға — қоршаған кеңістікті қабылдауға, әрекеттерді жоспарлауға және табиғи тілде берілген командаларды орындауға мүмкіндік беретін бағдарламалық модельдер туралы. Қазіргі уақытта Qwen-Robot Suite Alibaba Cloud компаниясының робототехника саласындағы таңдаулы корпоративтік клиенттерінде пилоттық сынақтардан өтуде.
Alibaba неге Qwen-ді физикалық әлемге шығарады
Қазіргі заманғы үлкен тілдік және мультимодальды модельдер мәтінмен, суреттермен және бейнелермен тамаша жұмыс істейді, бірақ роботтар үшін бұл мүлдем жеткіліксіз. Физикалық агенттерге команданы түсіну ғана емес, сонымен қатар кеңістіктік шектеулерді, объектілердің қасиеттерін, сенсор шуылдарын және әрбір әрекеттің салдарын ескере отырып, оны нақты қозғалысқа айналдыру қажет. Alibaba мұны physical AI немесе «embodied AI» бағыты деп атайды, мұнда модель тек цифрлық деректермен ғана емес, нақты физикалық ортамен де жұмыс істейді.
Qwen-RobotNav: бір модельдегі бес навигациялық міндет
Qwen3-VL негізінде құрылған және 15,6 миллион үлгіге оқытылған Qwen-RobotNav моделі бес негізгі навигациялық міндетті біріктіреді: нұсқауларды орындау, берілген нүктеге қозғалу, объектілерді іздеу, мақсатты бақылау және автономды жүргізу. Нәтижелер әсерлі: VLN-CE RxR бенчмаркінде 76,5% және EVT-Bench-те 90% табыстылық. Негізгі ерекшелігі — модель жоғары деңгейдегі модель тапсырманы жоспарлайтын, ал Qwen-RobotNav физикалық қозғалысқа жауап беретін үлкенірек агенттік жүйелер үшін атқарушы құрал ретінде әрекет ете алады. Демонстрацияларда бөлмеде жоғалған затты іздеу немесе белгілі бір объектінің күйін тексеру сценарийлері көрсетілген, мұнда робот жай ғана қозғалып қоймай, визуалды дәлелдер жинайды.
Qwen-RobotManip: объектілермен әрекеттер және дағдыларды тасымалдау
Qwen-RobotManip робототехниканың іргелі мәселелерінің бірін — әртүрлі құрылғы түрлері (манипулятор, екі қолды платформа, мобильді жүйе) арасындағы команда форматтарының үйлесімсіздігін шешеді. Модель деректерді ортақ көрініске келтіріп, бір типтегі роботта алынған дағдыларды екіншісіне тасымалдауға мүмкіндік береді. Оқыту үшін 38 100 сағаттан астам деректер пайдаланылды, оның ішінде 11 320 сағат ашық робототехникалық деректер, 1933 сағат адам әрекеттерінің бейнелері және 24 808 сағат синтетикалық демонстрациялар. Модель RoboChallenge Table30 v1-де бірінші орынды иеленді және жаңа нұсқаулар мен таныс емес объектілерге төзімділік көрсетті.
Qwen-RobotWorld: болжауға арналған бейнеәлем моделі
Qwen-RobotWorld табиғи тілмен басқарылатын бейнеәлем моделі болып табылады. Ағымдағы бақылау мен мәтіндік команданы алып, ол ортаның ықтимал болашақ күйін жасайды. Оқыту үшін жиналған Embodied World Knowledge корпусы 8,6 млн «бейне-мәтін» жұбын және 200 млн-нан астам кадрды қамтиды, олар 20 типтегі роботтық платформаны және 500 әрекет санатын қамтиды. Модель EWMBench және DreamGen Bench-те бірінші орындарды иеленіп, WorldModelBench және PBench-тегі барлық ашық аналогтардан асып түсті. Әзірлеушілер модель негізгі физикалық заңдылықтармен — қозғалыс, массаның сақталуы және гравитациямен жоғары үйлесімділік көрсетеді деп мәлімдейді.
Жаппай роботтарға әлі алыс
Әсерлі мәлімделген көрсеткіштерге қарамастан, Qwen-Robot Suite дайын тұтынушылық платформа емес, зерттеу модельдерінің жиынтығы болып қалады. Нақты енгізу сенсор шуылдарымен, жетектердің тозуымен және бенчмарктерде модельдеу мүмкін емес сирек сценарийлердің үлкен санымен кездеседі. Alibaba әзірге қолжетімділік құнын, жария іске қосу мерзімдерін немесе жүйені сынайтын клиенттердің нақты тізімін ашқан жоқ.
Сарапшының пікірі: Alibaba навигацияны, манипуляцияны және болжауды бірыңғай стекке біріктіре отырып, стратегиялық тұрғыдан дұрыс қадам жасайды. Алайда нарық зертханалардан шықпаған көптеген перспективалы робототехникалық платформаларды көрді. Табыстың негізгі факторы бенчмарктердегі дәлдік емес, модельдердің физикалық әлемнің нақты хаосына бейімделу қабілеті болады. Әзірге бұл индустрия үшін күшті сигнал, бірақ революция емес.