Qwen выходит в робототехнику.
Команда представила Qwen-RobotManip. Это Vision-Language-Action модель для управления роботами, построенная на базе Qwen-VL.
Главная идея: научить модель не просто «понимать картинку», а связывать сразу три уровня:
* что робот видит
* как он должен двигаться
* какое поведение нужно для выполнения задачи
Для этого в Qwen-RobotManip сделали unified alignment framework по representation, motion и behavior. То есть данные из разных источников не конфликтуют между собой, а приводятся к единой логике обучения.
Особенно интересно, что модель обучали только на открытых датасетах robotic manipulation и видео с человеческими демонстрациями. Без закрытого сбора проприетарных данных.
В итоге собрали корпус примерно на 38 100 часов pretraining-данных.
Уже сейчас Qwen-RobotManip показывает emergent generalization: модель начинает переносить навыки на новые объекты, сцены и задачи, а не просто повторять заученные траектории.
Блог Qwen-RobotManip:
https://qwen.ai/blog?id=qwen-robotmanip
