Alibaba Qwen-ді физикалық әлемге шығарады: роботтарды басқаруға арналған жасанды интеллект модельдерінің стегі ұсынылды
Қытайлық технологиялық алып Alibaba робототехника саласында стратегиялық серпіліс жасап, физикалық агенттерді басқаруға арналған жасанды интеллекттің іргелі модельдерінің кешенді жиынтығы — Qwen-Robot Suite ұсынды. Бұл қадам таза цифрлық LLM-нен «тұлғаланған интеллект» (embodied AI) деп аталатынға көшуді білдіреді, мұнда ЖИ нақты әлеммен өзара әрекеттесуді үйренеді.
Пакет үш негізгі модельді қамтиды: навигация үшін Qwen-RobotNav, объектілерді манипуляциялау үшін Qwen-RobotManip және көріністің дамуын болжау үшін Qwen-RobotWorld. Мәтін мен кескіндермен жұмыс істейтін дәстүрлі тілдік модельдерден айырмашылығы, бұл жүйелер кеңістікті қабылдауы, траекторияларды жоспарлауы және нақты жағдайларда табиғи тілдегі командаларды орындауы керек. Қазірдің өзінде Suite Alibaba Cloud компаниясының робототехника саласындағы корпоративтік клиенттерінде пилоттық сынақтардан өтуде.
Бір модельдегі навигацияның бес міндеті
Qwen-RobotNav моделі Qwen3-VL негізінде құрылған және бірқатар міндеттерді шешеді: нұсқауларды орындаудан бастап, берілген нүктеге қозғалу, объектілерді іздеу, мақсаттарды қадағалау және автономды жүргізуге дейін. Ол визуалды-тілдік пайымдауға қатысты 15,6 миллион үлгіде оқытылған. Көрсеткіштер әсерлі: VLN-CE RxR бенчмаркінде 76,5% сәттілік және EVT-Bench-те 90%. Бұл модельді жоғары деңгейлі жоспарлаушы тапсырма қоятын, ал Qwen-RobotNav физикалық қозғалысқа жауап беретін ірі агенттік жүйелер үшін «қозғалтқыш» ретінде пайдалануға мүмкіндік береді.
Әмбебап манипулятор және әлем моделі
Qwen-RobotManip робототехниканың ең күрделі мәселелерінің бірін — деректердің гетерогенділігін шешеді. Әртүрлі роботтар (манипуляторлар, екі қолды платформалар, мобильді жүйелер) әртүрлі координаттар жүйелері мен команда форматтарын пайдаланады. Модель бұл деректерді ортақ көрініске келтіреді, 38 100 сағаттан астам деректерде, оның ішінде 11 320 сағат ашық роботтық деректер мен 24 808 сағат синтетикалық демонстрацияларда оқытылады. Нәтиже — RoboChallenge Table30 v1-де бірінші орын және жаңа нұсқаулар мен бейтаныс объектілерге төзімділік.
Qwen-RobotWorld — бұл табиғи тілмен басқарылатын бейнеәлем моделі. Ол берілген әрекеттен кейін көріністің қалай өзгеретінін болжайды, бұл жоспарлау және синтетикалық оқыту деректерін жасау үшін өте маңызды. Embodied World Knowledge корпусы 8,6 млн «бейне-мәтін» жұбын және 20 типтегі роботтық платформаны қамтитын 200 млн-нан астам кадрды қамтиды. Модель EWMBench және DreamGen Bench-те бірінші орындарды иеленіп, гравитация мен массаның сақталуын қоса алғанда, физикалық заңдармен жоғары үйлесімділікті көрсетті.
Менің талдауым: Alibaba роботтарға арналған әмбебап «ми» құруға бағамын тігуде, бұл LLM жарысының логикалық жалғасы. Дегенмен, әсерлі бенчмарктерден бастап, сенсорлардың шуылы мен сирек сценарийлері бар нақты әлемде жаппай енгізуге дейінгі жол өте күрделі болып қала береді. Әзірге бұл тұтынушыға арналған дайын өнімнен гөрі әзірлеушілерге арналған қуатты құрал.