Alibaba физикалық әлемге жасанды интеллект енгізуде: роботтарды басқаруға арналған Qwen-Robot Suite модельдер стегі ұсынылды
Қытайлық технологиялық алып Alibaba «тұлғаланған жасанды интеллект» (Embodied AI) бағытында маңызды қадам жасап, Qwen-Robot Suite іргелі модельдер жиынтығын ұсынды. Үш мамандандырылған модельден тұратын бұл кешен физикалық роботтардың алдында тұрған негізгі міндеттерді шешуге арналған: навигация, объектілермен манипуляциялау және көріністің дамуын болжау. Бұл дайын робот емес, әзірлеушілердің ойынша, әртүрлі механизмдерді басқаруға арналған әмбебап құралға айналуы тиіс бағдарламалық «ми» туралы.
Ірі тілдік модельдер (LLM) мәтінмен, кескіндермен және бейнемен жұмыс істеуде өз тиімділігін дәлелдеді. Алайда роботтар үшін бұл жеткіліксіз. Оларға табиғи тілдегі бұйрықты түсіну ғана емес, сонымен қатар оны кеңістік геометриясын, объектілердің қасиеттерін және өз сенсорларының шектеулерін ескере отырып, физикалық әрекеттер тізбегіне аудару қажет. Дәл осы мәселені Qwen-Robot Suite шешуге тиіс, ол қабылдау, жоспарлау және орындауды біріктіреді.
Qwen-RobotNav: әмбебап навигатор
Жиынтықтағы бірінші модель Qwen-RobotNav қозғалысқа бағытталған. Ол бес түрлі навигациялық міндетті біріктіреді: нұсқауларды орындау, берілген нүктеге қозғалу, объектілерді іздеу, мақсатты қадағалау және автономды жүргізу элементтері. Qwen3-VL мультимодальды моделі негізінде құрылған ол маршруттарды жоспарлауға және визуалды-тілдік пайымдауларға қатысты 15,6 миллион дерек үлгісіне оқытылды.
Тестілеу нәтижелері әсерлі: модель VLN-CE RxR бенчмаркінде 76,5% және EVT-Bench-те 90% сәттілік көрсетеді. Alibaba Qwen-RobotNav-ды оқшауланған шешім ретінде емес, жоғары деңгейлі модель тапсырма қоятын, ал навигатор оның физикалық орындалуына жауап беретін ірі агенттік жүйелердің атқарушы модулі ретінде ұсынады.
Qwen-RobotManip: манипуляция шебері
Екінші модель Qwen-RobotManip объектілермен өзара әрекеттесуге жауап береді: заттарды ұстау, жылжыту және орналастыру. Мұндағы негізгі инновация — робототехникалық платформалардың гетерогенділік мәселесін шешу әрекеті. Әртүрлі роботтар (манипуляторлар, екі қолды жүйелер, мобильді платформалар) әртүрлі координат жүйелері мен команда форматтарын пайдаланады. Qwen-RobotManip роботтың бір түрінде алынған дағдыларды екіншісіне ауыстыруға мүмкіндік беретін әмбебап әрекет ұсынуын жасауға ұмтылады.
Модельді оқыту үшін ашық робототехникалық жиынтықтарды да, адам әрекеттерінің бейнелерін де қамтитын 38 100 сағаттан астам дерек көлемі жиналды. Бұл Qwen-RobotManip-ке беделді RoboChallenge Table30 v1 бенчмаркінде бірінші орынды иеленуге және жаңа, таныс емес нұсқаулар мен объектілерге төзімділік көрсетуге мүмкіндік берді.
Qwen-RobotWorld: болашақты болжаушы
Үшінші модель Qwen-RobotWorld тілмен басқарылатын «бейнеәлем моделін» білдіреді. Ол қоршаған ортаның ағымдағы жай-күйін және мәтіндік бұйрықты талдап, содан кейін әрекетті орындағаннан кейін көріністің қалай дамитынын болжайтын бейнені жасайды. Мұндай тәсіл күрделі манипуляцияларды жоспарлау, автономды жүргізу және нақты әлемде бұзылу қаупінсіз роботтарды оқытуға арналған синтетикалық деректерді жасау үшін өте маңызды.
Embodied World Knowledge деп аталатын Qwen-RobotWorld деректер корпусы 8,6 миллион «бейне-мәтін» жұбын және 20-дан астам робот түрі мен 500 әрекет санатын қамтитын 200 миллионнан астам кадрды қамтиды. Модель EWMBench және DreamGen Bench бенчмарктерінде бірінші орындарды иеленіп, WorldModelBench және PBench-тегі барлық ашық аналогтардан асып түсті.
Аналитикалық қорытынды
Әсерлі мәлімдемелер мен бенчмарктердегі жоғары көрсеткіштерге қарамастан, Qwen-Robot Suite дайын коммерциялық өнім емес, зерттеу модельдерінің жиынтығы болып қала береді. Роботтарды пайдаланудың нақты жағдайлары модельдеу қиын «шу», тозу және күтпеген жағдайларға толы. Дегенмен, Alibaba-ның тұлғаланған ЖИ үшін «толық стек» құру тәсілі өте перспективалы. Егер компания бұл модельдерді нақты өндірістік және қызмет көрсету сценарийлеріне біріктіре алса, біз робототехниканың дамуында сапалы секірістің куәгері боламыз. Алайда, нақты мерзімдер мен бағалардың болмауына қарағанда, жаппай енгізу және жұртшылыққа қолжетімді болу үшін кемінде тағы бірнеше жыл қарқынды сынақтар қажет.