一台机械臂练了几千小时学会拧螺丝，换一台构型不一样的机械臂，这套本事基本归零，得从头再教一遍。
这是机器人这行最烧钱的一道坎。6 月 16 日，阿里 Qwen 团队一次发了三个具身智能大模型，冲的就是这道坎——他们把”一台机器学会、换台机器直接能用”的成功率，从此前行业最好的 7.5% 抬到了 23.9%，三倍多。
这也是 Qwen 第一次成套地把模型从聊天框里搬出来，塞进机器人的身体。
三个模型，分别管手、管腿、管脑补
阿里这回不是发一个模型，是发一套，把机器人干活拆成了三块：
| 模型 | 管什么 | 底座 | 训练数据 |
|---|---|---|---|
| Qwen-RobotManip | 手（机械臂操作） | Qwen3.5-4B | ~3.81 万小时 |
| Qwen-RobotNav | 腿（导航移动，连自动驾驶一起） | Qwen3-VL（2B/4B/8B） | 1560 万条样本 |
| Qwen-RobotWorld | 脑补（预测接下来会发生什么） | 冻结的 Qwen2.5-VL + 20B 扩散 Transformer | 860 万视频文本对 |
RobotManip 管的是”动手”。 它把不同机器人五花八门的动作，统一压进一个 80 维的标准动作向量里，再用一组开关决定哪几维当前用得上。说白了，就是给所有机械臂发了一套通用的”动作普通话”。
RobotNav 管的是”挪窝”。 听指令走、奔着目标走、盯着一个东西追、甚至开车——这四件原本要分开做的活，被它揉进了一个模型。
RobotWorld 最有意思，它管的是”在脑子里先放个电影”。 给它当前看到的画面，它能往后脑补出接下来会发生的视频帧，提前预演一遍动作会撞上什么、推倒什么。
最值钱的一个数字：7.5% 跳到 23.9%
机器人模型最难的不是在一台机器上跑分高，是换台机器还能用。
Qwen 团队自己把这个痛点说得很白：
“Robotics data is fragmented across hardware and tasks. Different robots use incompatible observation and action formats. A policy trained on one arm rarely transfers to another.”
讲人话就是——机器人的数据被硬件和任务切得稀碎，每台机器看世界、做动作的格式都对不上，一条机械臂练出来的策略，换条胳膊基本白搭。
RobotManip 的解法是个挺巧的小动作：不再用每台机器自己那套坐标系记动作，而是统一用摄像头视角下的相对位移来描述末端的运动。摄像头看到的东西是相通的，于是动作也就有了共同语言。
效果就是那个翻三倍的数字——跨构型迁移成功率从过去最好的 7.5% 提到 23.9%。
其他几个分数也跟着往上跳：
- LIBERO-Plus（没见过的任务）：91.4%，之前最好是 84.4%
- RoboTwin-C2R 难档：69.4%，之前是 47.9%
- EBench：45.6%，之前 27.1%
这三个数字的共同点是，测的都是”没训练过的新情况”。在见过的活上刷高分不稀奇，难的是没见过也能上手。
撑起这套本事的是 3.81 万小时数据，拆开看：人类第一视角的视频约 1933 小时，开源机器人数据一万多小时，剩下两万四千多小时是在 15 种机器人平台上合成渲染出来的。
把数据脏活当成主战场
阿里这套东西，技术上最实在的部分其实在数据清洗，不在模型本身。
RobotManip 的数据流水线分了五道工序，专门挑动作突变、时序对不齐、数值离谱的片段往外踢。有多狠？某个数据子集，81% 的片段没通过校验，直接扔了。
把人类视频改造成机器人能学的数据，中间还套了一串工具：SAM3 抠图、ProPainter 补画面、MuJoCo 反解关节角度。一套下来，是想把”人怎么干”翻译成”机器人怎么干”。
这思路跟现在大模型圈的共识对得上：模型架构大家越来越像，真正拉开差距的是喂进去的数据干不干净。阿里显然把宝押在了后者。
RobotWorld 最唬人，但留了一手
三个模型里，RobotWorld 的纸面成绩最亮。
它是个 200 亿参数的扩散 Transformer，60 层双流结构，一边理解画面一边生成预测。在两个世界模型基准上都拿了第一（EWMBench 4.60、DreamGen Bench 4.952），更夸张的是，在牛顿定律、质量守恒、流体、重力这四项物理一致性测试里全是满分——意思是它脑补出来的视频，没违反基本物理常识，水往低处流、东西会掉下去这些它都懂。
但这里有个细节值得记一笔：RobotManip 和 RobotNav 都开源放上了 GitHub，唯独 RobotWorld 只发了篇论文，代码没给。
三个里最有想象力的那个反而捂着，这个安排不像随手为之。世界模型这东西，既能给机器人用，也能往自动驾驶、游戏、仿真上接，想象空间最大——阿里大概也想清楚了哪个该送、哪个该留。
写在最后
过去一年，国产大模型在聊天、写代码、跑分这些事上已经卷到没什么新故事可讲。具身智能是为数不多还能讲出新东西的方向。
Qwen 这套模型最实在的一点，不是某个分数多高，而是它认认真真在解”换个身体就不会干活”这个老问题——而且给出了能复现的代码和数据，不是发个 demo 视频就收工。
至于这套”动作普通话”能不能真在产线上的机械臂之间通用，光看基准分还不够，得等真机器人跑起来才知道。但方向是对的：机器人这行缺的从来不是更聪明的脑子，是让一身本事能跨着身体搬家。
参考来源：Meet Qwen-RobotSuite: Three Embodied AI Models for VLA Manipulation, Video World Modeling,CocoLoop、 and Navigation（MarkTechPost）；Alibaba unveils Qwen-Robot series with three foundation models for embodied AI（TechNode）