Alibaba жасанды интеллектті физикалық әлемге шығарады: роботтарды басқаруға арналған Qwen-Robot Suite модельдер жиынтығы ұсынылды
Alibaba ресми түрде Qwen-Robot Suite — физикалық ортадағы міндеттерді шешуге арналған іргелі AI модельдерінің кешенді жиынтығын ұсынды. Пакетке үш негізгі компонент кірді: навигацияға арналған Qwen-RobotNav, объектілерді манипуляциялауға арналған Qwen-RobotManip және көрініс динамикасын болжауға арналған Qwen-RobotWorld. Әзірлеушілер бұл стекті «толық бейнеленген жасанды интеллект жиынтығы» (embodied AI) ретінде позициялайды.
Бұл дайын роботтар туралы емес, физикалық агенттерге қоршаған кеңістікті қабылдауға, әрекеттер тізбегін жоспарлауға және табиғи тілде тұжырымдалған командаларды орындауға мүмкіндік беретін бағдарламалық модельдер туралы. Қолда бар ақпарат бойынша, Qwen-Robot Suite робототехника саласында жұмыс істейтін Alibaba Cloud корпоративтік клиенттерінің бірқатарында пилоттық сынақтан өтуде.
Неліктен Alibaba Qwen-ді нақты әлемге шығарады
Дәстүрлі үлкен тілдік және мультимодальды модельдер мәтінмен, кескіндермен және бейнелермен жақсы жұмыс істейді, бірақ роботтарды басқару үшін бұл жеткіліксіз. Физикалық агенттерге жай команданы түсіну ғана емес, оны кеңістік геометриясын, объектілердің физикалық қасиеттерін, датчиктердің шектеулерін және әрбір әрекеттің ықтимал салдарын ескере отырып, нақты қозғалыстарға аудару қажет. Дәл осы бағыт — physical AI — Alibaba дамытуға тырысады.
Qwen-RobotNav: әмбебап навигация
Qwen3-VL негізінде құрылған Qwen-RobotNav моделі бір алгоритмде навигацияның бес негізгі міндетін біріктіреді: нұсқауларды орындау, берілген нүктеге қозғалу, объектілерді іздеу, мақсатты қадағалау және автономды жүргізу. Оқыту үшін маршруттарды жоспарлауға және визуалды-тілдік пайымдауға байланысты 15,6 млн үлгі пайдаланылды.
Сынақ нәтижелері әсерлі: VLN-CE RxR бенчмаркінде 76,5% сәттілік және EVT-Bench-те 90%. Модель үлкенірек агенттік жүйелер үшін атқарушы модуль ретінде әрекет ете алатынын атап өту маңызды: жоғарғы деңгейдегі жоспарлаушы міндет қояды, ал Qwen-RobotNav физикалық қозғалыс пен визуалды дәлелдерді жинауға жауап береді.
Qwen-RobotManip: объектілермен әрекеттер және дағдыларды тасымалдау
Qwen-RobotManip робототехниканың ең күрделі мәселелерінің бірін — аппараттық платформалардың гетерогенділігін шешеді. Манипуляторлар, екі қолды жүйелер, қылқаламы бар роботтар және мобильді платформалар әртүрлі координаттар мен команда форматтарын пайдаланады. Жаңа модель осы деректердің барлығын бірыңғай көрініске келтіруге тырысады, бұл роботтың бір түрінде алынған дағдыларды екіншісіне тасымалдауға мүмкіндік береді.
Оқыту 38 100 сағаттан астам деректерде жүргізілді, оның ішінде 11 320 сағат ашық робототехникалық жазбалар, 1933 сағат адам әрекеттерінің бірінші тұлғадан бейнелері және 24 808 сағат синтетикалық демонстрациялар. Alibaba Qwen-RobotManip RoboChallenge Table30 v1 әмбебап модельдер трегінде бірінші орынды иеленгенін және жаңа нұсқаулар мен таныс емес объектілерге төзімділік көрсеткенін мәлімдейді.
Qwen-RobotWorld: тілмен басқарылатын әлем моделі
Үшінші компонент — Qwen-RobotWorld — ағымдағы бақылау мен мәтіндік команда негізінде ортаның ықтимал болашақ күйін жасайтын бейнеәлем моделін білдіреді. Бұл манипуляцияларды жоспарлау, автономды жүргізу және синтетикалық оқыту деректерін жасау үшін өте маңызды.
Оқыту үшін 8,6 млн «бейне-мәтін» жұбын және 200 млн кадрдан астам, 20-дан астам роботтық платформа түрі мен 500 әрекет санатын қамтитын Embodied World Knowledge корпусы жиналды. Модель EWMBench және DreamGen Bench бенчмарктерінде бірінші орындарды иеленді, сонымен қатар WorldModelBench және PBench-те барлық ашық аналогтардан асып түсті. Әзірлеушілер Qwen-RobotWorld негізгі физикалық заңдармен — қозғалыспен, массаның сақталуымен және гравитациямен жоғары үйлесімділікті көрсететінін мәлімдейді.
Перспективалар мен шектеулер
Әсерлі мәлімделген көрсеткіштерге қарамастан, Qwen-Robot Suite дайын тұтынушылық өнім емес, зерттеу модельдерінің жиынтығы болып қала береді. Өнеркәсіпке нақты енгізу сенсорлардың шуылымен, механизмдердің тозуымен, стандартты емес сценарийлермен және қабылдау қателерімен кездеседі. Қазіргі сынақтардың көпшілігі симуляцияда немесе қатаң бақыланатын жағдайларда жүргізілді. Alibaba әзірге қол жеткізу құнын, жария іске қосу мерзімдерін немесе пилотқа қатысатын клиенттердің нақты тізімін ашқан жоқ.
Менің талдауым: Alibaba таза цифрлық AI модельдерінен физикалық әлемге көшу арқылы стратегиялық тұрғыдан дұрыс қадам жасайды. Алайда, бейнеленген AI нарығы бастапқы кезеңде тұр және басты сын-қатер модельдердің сапасы емес, олардың нақты, «лас» және болжауға келмейтін жабдықпен интеграциясы болады. Егер Qwen-Robot Suite әртүрлі платформалар арасында дағдыларды тасымалдау мәселесін шеше алса, бұл нағыз серпіліс болады, бірақ жаппай енгізуге әлі алыс.