Новини криптоміра

Alibaba офіційно представила Qwen-Robot Suite — комплексний набір фундаментальних ШІ-моделей, призначених для вирішення завдань у фізичному середовищі. До пакету увійшли три ключові компоненти: Qwen-RobotNav для навігації, Qwen-RobotManip для маніпуляції об'єктами та Qwen-RobotWorld для прогнозування динаміки сцени. Розробники позиціонують цей стек як «повний набір для втіленого штучного інтелекту» (embodied AI).

Йдеться не про готових роботів, а про програмні моделі, які дозволяють фізичним агентам сприймати навколишній простір, планувати послідовність дій та виконувати команди, сформульовані природною мовою. За наявною інформацією, Qwen-Robot Suite вже проходить пілотне тестування у низки корпоративних клієнтів Alibaba Cloud, які працюють у сфері робототехніки.

Чому Alibaba виводить Qwen у реальний світ

Традиційні великі мовні та мультимодальні моделі чудово справляються з текстом, зображеннями та відео, але для керування роботами цього недостатньо. Фізичним агентам потрібно не просто розуміти команду, а переводити її в конкретні рухи, враховуючи геометрію простору, фізичні властивості об'єктів, обмеження датчиків та можливі наслідки кожної дії. Саме цей напрямок — physical AI — і намагається розвивати Alibaba.

Qwen-RobotNav: універсальна навігація

Модель Qwen-RobotNav, побудована на базі Qwen3-VL, об'єднує п'ять ключових завдань навігації в одному алгоритмі: слідування інструкціям, рух до заданої точки, пошук об'єктів, відстеження цілі та автономне водіння. Для навчання було використано 15,6 млн зразків, пов'язаних із плануванням маршрутів та візуально-мовним міркуванням.

Результати тестів вражають: 76,5% успішності на бенчмарку VLN-CE RxR та 90% на EVT-Bench. Важливо зазначити, що модель може виступати як виконавчий модуль для більших агентних систем: верхньорівневий планувальник ставить завдання, а Qwen-RobotNav відповідає за фізичне переміщення та збір візуальних доказів.

Qwen-RobotManip: дії з об'єктами та перенесення навичок

Qwen-RobotManip вирішує одну з найскладніших проблем робототехніки — гетерогенність апаратних платформ. Маніпулятори, дворучні системи, роботи з пензлем та мобільні платформи використовують різні координати та формати команд. Нова модель намагається привести всі ці дані до єдиного представлення, дозволяючи переносити навички, отримані на одному типі робота, на інший.

Навчання проводилося на понад 38 100 годинах даних, що включають 11 320 годин відкритих робототехнічних записів, 1933 години відео дій людини від першої особи та 24 808 годин синтетичних демонстрацій. Alibaba заявляє, що Qwen-RobotManip посіла перше місце в треку універсальних моделей RoboChallenge Table30 v1 та продемонструвала стійкість до нових інструкцій і незнайомих об'єктів.

Qwen-RobotWorld: модель світу, керована мовою

Третій компонент — Qwen-RobotWorld — являє собою відеомодель світу, яка на основі поточного спостереження та текстової команди генерує ймовірний майбутній стан середовища. Це критично важливо для планування маніпуляцій, автономного водіння та створення синтетичних навчальних даних.

Для навчання було зібрано корпус Embodied World Knowledge, що включає 8,6 млн пар «відео-текст» та понад 200 млн кадрів, які охоплюють понад 20 типів роботизованих платформ і 500 категорій дій. Модель посіла перші місця в бенчмарках EWMBench та DreamGen Bench, а також перевершила всі відкриті аналоги в WorldModelBench та PBench. Розробники стверджують, що Qwen-RobotWorld демонструє високу узгодженість з базовими фізичними законами — рухом, збереженням маси та гравітацією.

Перспективи та обмеження

Незважаючи на вражаючі заявлені показники, Qwen-Robot Suite залишається набором дослідницьких моделей, а не готовим споживчим продуктом. Реальне впровадження в промисловість стикається з шумом сенсорів, зносом механізмів, нестандартними сценаріями та помилками сприйняття. Більшість поточних тестів проводилося в симуляції або строго контрольованих умовах. Alibaba поки не розкрила вартість доступу, терміни публічного запуску або конкретний список клієнтів, які беруть участь у пілоті.

Мій аналіз: Alibaba робить стратегічно правильний крок, переходячи від суто цифрових ШІ-моделей до фізичного світу. Однак ринок втіленого ШІ перебуває в зародковому стані, і головним викликом стане не стільки якість моделей, скільки їх інтеграція з реальним, «брудним» та непередбачуваним обладнанням. Якщо Qwen-Robot Suite зможе вирішити проблему перенесення навичок між різними платформами, це стане справжнім проривом, але до масового впровадження ще далеко.