Genel Bakış
Alibaba’nın AI araştırma birimi Tongyi Lab, 16 Haziran 2026’da fiziksel robotik için tasarlanmış ilk kapsamlı model paketini duyurdu: Qwen-Robot Suite. Paket, robot zekasını üç bağımsız ama birbirini tamamlayan temel modele ayırıyor — navigasyon, manipülasyon ve dünya simülasyonu. Her model bağımsız olarak kullanılabileceği gibi, birlikte genel amaçlı ajanlı sistemlerin düşük seviyeli araç katmanını oluşturuyor.
Üç Model, Üç Katman
-
Qwen-RobotNav (Navigasyon): Qwen3-VL üzerine inşa edilmiş, 2B / 4B / 8B parametre varyantlarıyla sunulan bir Görüntü-Dil-Navigasyon (VLN) modelidir. Doğal dil komutlarını gerçek zamanlı fiziksel yol planlamasına çeviriyor. 5 farklı navigasyon görevini (talimat takibi, nokta-hedef, nesne takibi, EQA, otonom sürüş) tek modelde birleştiriyor. 15.6 milyon veri noktasıyla eğitildi; sıfır-atış (zero-shot) genelleme yeteneği mevcut. -
Qwen-RobotManip (Manipülasyon): Qwen3.5-4B tabanlı bir Görüntü-Dil-Eylem (VLA) modelidir. Farklı robotik platformların uyumsuz eylem formatlarını birleştiren ortak bir durum-eylem uzayı sunuyor. 38.100+ saatlik açık kaynak korpusuyla önceden eğitildi. -
Qwen-RobotWorld (Dünya Modeli): 60 katmanlı MMDiT mimarisi ve dondurulmuş Qwen2.5-VL enkoderi üzerine kurulu dil koşullu video dünya modelidir. 20’den fazla farklı robot gövdesi için fiziksel açıdan tutarlı gelecek tahminleri üretiyor. Robot eylem almadan önce sahnenin nasıl evrileceğini simüle ediyor.
Qwen-RobotNav Öne Çıkan Teknik Detaylar
- Navigasyon bağlamını dışarıdan kontrol edilebilen bir parametre olarak sunuyor — talimat takibi için uzun geçmiş hafızası, nesne takibinde güncel kare ağırlıklı dikkat, arama görevlerinde ise karma strateji
- Ajansal sistemler için araç arayüzü (tool interface): üst katman planlayıcı, hedefleri alt görevlere bölerek aynı modeli tekrar tekrar çağırabiliyor
- Unitree Go2 dört ayaklı robotunda NVIDIA Jetson Thor üzerinde cihaz üstü çıkarım ile 196 ms gecikme (5.1 Hz) elde edildi
- HM-EQA kıyaslama testinde en iyi önceki yönteme göre %10.8 iyileşme; EXPRESS-Bench’te %15.4 iyileşme — %77 daha az navigasyon adımıyla
Overview
Alibaba’s AI research unit Tongyi Lab announced the Qwen-Robot Suite on June 16, 2026 — its first comprehensive suite of AI models explicitly designed for physical robotics. The suite splits robot intelligence into three independent, composable foundation models targeting navigation, manipulation, and world simulation. Each model is independently useful; together, they form the low-level toolkit for general-purpose agentic systems that don’t just see the world but act in it.
Three Models, Three Layers
-
Qwen-RobotNav (Navigation): A Vision-Language-Navigation (VLN) model built on Qwen3-VL, available in 2B, 4B, and 8B sizes. It translates natural-language instructions into real-time physical pathfinding and unifies 5 navigation task types — instruction following, point-goal, object tracking, EQA, and autonomous driving — in a single model. Trained on 15.6 million samples with zero-shot generalization to unseen environments.
-
Qwen-RobotManip (Manipulation): A Vision-Language-Action (VLA) model built on Qwen3.5-4B. It addresses the fragmented nature of robotics data by introducing a unified state-action space across heterogeneous robot platforms. Pre-trained on an 38,100+ hour open-source corpus.
-
Qwen-RobotWorld (World Model): A language-conditioned video world model with a 60-layer MMDiT architecture and a frozen Qwen2.5-VL encoder. It generates physically grounded future predictions across 20+ robot embodiments — allowing robots to simulate how a scene will evolve before committing to action.
Qwen-RobotNav Technical Highlights
- Treats observation context as an externally controllable parameter — long history for instruction following, recency-weighted for tracking, hybrid for search — rather than hardcoding a single assumption
- Tool interface for agentic systems: an upper-level planner can decompose long-horizon goals into sub-tasks and dynamically switch RobotNav’s mode mid-episode
- Deployed on Unitree Go2 quadruped with on-device inference via NVIDIA Jetson Thor at 196ms latency (5.1 Hz) using only the robot’s built-in low-resolution camera
- Sets new SOTA on Embodied Question Answering: +10.8% on HM-EQA and +15.4% on EXPRESS-Bench over prior best — while requiring 77% fewer navigation steps
Blog: https://qwen.ai/blog?id=qwen-robotnav
arXiv: [2606.18112] Qwen-RobotNav Technical Report: A Scalable Navigation Model Designed for an Agentic Navigation System
GitHub (RobotNav): https://github.com/QwenLM/Qwen-RobotNav