Alibaba hat seine Qwen-Modellfamilie um eine Robotik-Suite für Physical AI erweitert. Die Suite umfasst ein generalisierbares Vision-Language-Action-Modell, ein skalierbares Vision-Language-Navigation-Modell und ein Video-World-Modell für verkörperte Intelligenz. Qwen-RobotManip wurde mit mehr als 38.000 Stunden quelloffener Daten trainiert, die u.a. aus Robotik-Repositorien, Videos menschlicher Manipulationshandlungen und synthetisch erzeugten Human-to-Robot-Datensätzen stammen. Das Modell verbessert den bisherigen Stand der Technik beim Transfer zwischen unterschiedlichen Roboterplattformen um den Faktor drei. Dadurch lässt es sich mit geringem Nachtraining auf verschiedener Roboterhardware einsetzen. Qwen-RobotNav wurde mit 15,6Mio. kuratierten Beispielen trainiert. Die Daten decken Trajektorienplanung sowie visuell-sprachliches Schlussfolgern ab. Das Modell dient zugleich als skalierbare Navigations-Engine und als einheitliche Schnittstelle für agentische Navigationssysteme. Damit eignet es sich für agentische Systeme, die langfristige Aufgaben bearbeiten, z.B. Embodied Questions Answering. Dabei beantwortet ein Roboter Fragen zu seiner Umgebung. Das Modell Qwen-RobotWorld sagt auf Basis aktueller Beobachtungen physikalisch plausible zukünftige visuelle Bewegungsabläufe voraus. Das Unternehmen hat das Modell mit 8,6Mio. Video-Text-Paaren trainiert, die mehr als 200Mio. Frames über 20 Verkörperungstypen und 500 Aktionskategorien umfassen. Das Modell kann synthetische Videotrainingsdaten für Roboter erzeugen und Systeme künftige Bewegungsabläufe vor der Ausführung simulieren lassen. Diese Fähigkeit eignet sich besonders für robotische Manipulation, verkörperte Planung und komplexe Indoor-Navigation.
