Новини криптоміра

Alibaba Cloud представила комплексне рішення Qwen-Robot Suite — набір фундаментальних ШІ-моделей, призначених для керування роботами у фізичному середовищі. До цього стеку увійшли три ключові моделі: Qwen-RobotNav для навігації, Qwen-RobotManip для маніпуляції об'єктами та Qwen-RobotWorld для прогнозування розвитку сцени. Проєкт позиціонується як «повний стек для втіленого штучного інтелекту», що об'єднує сприйняття, планування та виконання дій.

Це не просто чергове оновлення мовної моделі. Alibaba робить ставку на physical AI — напрямок, де ШІ має не лише обробляти текст і зображення, а й взаємодіяти з реальним світом. Qwen-Robot Suite вже проходить пілотні випробування у корпоративних клієнтів Alibaba Cloud у сфері робототехніки, що вказує на серйозність намірів компанії.

Qwen-RobotNav: універсальна навігація

Модель Qwen-RobotNav, побудована на базі Qwen3-VL, об'єднує п'ять типів навігаційних завдань: слідування інструкціям, рух до заданої точки, пошук об'єктів, відстеження цілі та автономне водіння. Вона навчена на 15,6 мільйонах зразків, пов'язаних із плануванням маршрутів та візуально-мовним міркуванням.

Результати вражають: 76,5% успішності на бенчмарку VLN-CE RxR та 90% на EVT-Bench. Модель може виступати як виконавчий модуль у складі більших агентних систем, де верхньорівнева модель планує завдання, а Qwen-RobotNav відповідає за фізичне переміщення.

Qwen-RobotManip: дії з об'єктами

Qwen-RobotManip вирішує одну з ключових проблем робототехніки — гетерогенність даних. Різні типи роботів (маніпулятори, дворучні платформи, мобільні системи) використовують різні координати та формати команд. Модель приводить ці дані до єдиного представлення, дозволяючи переносити навички між пристроями.

Для навчання було використано понад 38 100 годин даних, включаючи 11 320 годин відкритих роботизованих даних, 1933 години відео дій людини та 24 808 годин синтетичних демонстрацій. Модель посіла перше місце в RoboChallenge Table30 v1 та продемонструвала стійкість до нових інструкцій і незнайомих об'єктів.

Qwen-RobotWorld: модель світу

Qwen-RobotWorld — це відеомодель світу, керована природною мовою. Вона прогнозує розвиток сцени після заданої дії, що критично важливо для маніпуляцій, автономного водіння та планування. Корпус Embodied World Knowledge включає 8,6 мільйонів пар «відео-текст» та понад 200 мільйонів кадрів, що охоплюють 20 типів роботизованих платформ і 500 категорій дій.

Модель посіла перші місця в EWMBench та DreamGen Bench, перевершивши всі відкриті аналоги. Alibaba стверджує, що Qwen-RobotWorld демонструє високу узгодженість із базовими фізичними закономірностями — рухом, збереженням маси та гравітацією.

Однак слід зазначити, що Qwen-Robot Suite залишається набором моделей, а не готовою споживчою платформою. Реальне впровадження стикається з шумом сенсорів, зносом приводів і рідкісними сценаріями, які складно відтворити в симуляції. Alibaba поки не розкрила вартість доступу та терміни публічного запуску.

Мій аналіз: Alibaba робить стратегічно правильний крок, розширюючи екосистему Qwen у фізичний світ. Однак шлях від бенчмарків до реального впровадження в промисловості буде довгим. Ключовим фактором успіху стане не стільки точність моделей, скільки їхня здатність адаптуватися до нестандартних ситуацій та апаратних обмежень. Інвесторам і розробникам варто уважно стежити за пілотними проєктами — саме вони покажуть, наскільки Qwen-Robot Suite готовий до реальних завдань.