Qwen-VLA：统一视觉-语言-动作具身智能基础模型 操控各种形态机器人

Qwen-VLA 是一款统一的具身智能视觉-语言-动作模型，旨在整合机器人操控、导航与人体动作建模等多元化任务。该模型以 Qwen3.5-4B 为多模态骨干，并结合了基于 Diffusion Transformer (DiT) 的流匹配动作专家模块，能够跨越不同的机器人平台生成连续动作轨迹。研究团队构建了一个包含真实机器人演示、人体自我中心数据以及大规模合成仿真轨迹的海量预训练数据集。为了平衡语言认知与电机控制，模型采用了从文本到动作预训练、多模态持续训练到强化学习优化的四阶段训练策略。通过具身感知提示词，Qwen-VLA 能够在无需更改架构的情况下，灵活适配多种控制协议、硬件配置和任务场景。实验证明，这种联合学习模式显著提升了模型在面对未知环境、光照变化及跨平台迁移时的鲁棒性与泛化能力。