Qwen-VLA：通用视觉-语言-动作模型 Qwen-VLA是一个通用视觉-语言-动作（VLA）模型，基于Qwen多模态骨干，将视觉感知、语言理解和空间推理扩展到连续动作生成和轨迹预测。它统一了机器人操控、视觉语言导航和跨体态控制，通过四阶段训练（T2A预训练、持续预训练、监督微调、强化学习）联合真实机器人数据、人类自我中心数据、合成仿真数据和通用视觉语言数据训练，在LIBERO、Simpler、RoboCasa等基准上匹配或超越专用模型，在真实世界和动态场景中展现零样本泛化能力。 Qwen-VLA 视觉语言动作模型 具身智能 机器人操控 视觉语言导航 强化学习 Qwen Team 发布于 2026-05-30 21 0 0
