Qwen-RobotWorld
Qwen-RobotWorld 是面向具身智慧的語言條件式影片世界模型,也是 Qwen-Robot Suite 的一員。它根據目前的視覺觀察與自然語言動作指令,生成對未來場景變化的視覺預測,而非直接輸出機器人控制訊號。(arxiv.org) 以自然語言作為共通動作介面,涵蓋機器人操作、自動駕駛、室內導航及人類示範向機器人遷移等場景。 可生成 2–4 個同步視角的影片;Scene2Robot 可將人…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
Qwen-RobotWorld 是面向具身智慧的語言條件式影片世界模型,也是 Qwen-Robot Suite 的一員。它根據目前的視覺觀察與自然語言動作指令,生成對未來場景變化的視覺預測,而非直接輸出機器人控制訊號。(arxiv.org) 以自然語言作為共通動作介面,涵蓋機器人操作、自動駕駛、室內導航及人類示範向機器人遷移等場景。 可生成 2–4 個同步視角的影片;Scene2Robot 可將人…
Qwen-RobotManip 是 Qwen-Robot Suite 中面向機器人物理操作的視覺-語言-動作(VLA)基礎模型,旨在將視覺觀察與自然語言指令轉化為機器人動作。它基於 Qwen3.5-4B VL,並採用 flow-matching DiT 動作頭。(alibabacloud.com) 使用統一的 80 維狀態-動作表示及相機座標系下的末端執行器位姿增量,以支援不同機器人形態之間的訓練…
Qwen-RobotNav 是 Qwen-Robot Suite 中面向具身智慧與代理式導航系統的可擴展視覺-語言導航模型,以 Qwen3-VL 為基礎。(alibabacloud.com) 以共用的航路點預測介面處理語言指令導航、點目標與物件目標導航、目標追蹤及自動駕駛等任務;亦可結合上層規劃器執行具身問答。模型輸出 8 個包含位置與朝向的航路點。(alibabacloud.com) 推論時可調…
Hy-Embodied-0.5-VLA-RoboTwin 是騰訊 Hy-Embodied-0.5-VLA 的視覺—語言—動作(VLA)模型檢查點,基於 UMI 預訓練版本,針對 RoboTwin 2.0 的 50 項雙臂操作任務進行監督式微調。模型權重依 Apache-2.0 授權發布。(huggingface.co) 接收多視角影像、機器人狀態及自然語言任務指令,產生連續動作片段,可用於模擬雙臂…
Hy-Embodied-0.5-VLA-UMI 是騰訊 Robotics X 與 Hy 團隊發布的視覺—語言—動作(VLA)預訓練模型權重,定位為適配不同機器人本體與任務的通用微調起點,而非一般文字聊天模型。官方於 2026 年 6 月 15 日發布此模型、相關程式碼及資料集。(github.com) 結合視覺觀察、自然語言任務指令及機器人狀態,產生連續的機器人動作片段,可用於雙臂操作等具身智慧研…