Alibaba が今回作ったのはロボット本体ではない。Qwen チームは、ロボットが載せられるソフトウェア層として、ナビゲーション、操作、世界予測を分けた Qwen-Robot Suite を出した。
位置づけが重要だ。モデルは AgileX、Franka、Universal Robots、Unitree など他社ハードの上で動く想定で、Alibaba が狙うのは新しい機体ではなく、ロボットの「Android 的」な基盤である。
三つのモデル、三つの役割
Qwen-RobotNav は移動を担う。指示追従、地点移動、物体探索、目標追跡、自動運転をまとめ、1560万サンプルで訓練された。VLN-CE RxR の成功率は76.5%、EVT-Bench の追跡は90%とされる。
Qwen-RobotManip は手を担う。Qwen3.5-4B VL を基に、行動空間が異なるロボット間で技能を移す課題を狙う。約3.81万時間のオープンおよび合成データを使い、RoboChallenge Table30-v1 で従来最良を20%上回った。
Qwen-RobotWorld は予測を担う。自然言語を行動インターフェースにし、次に物理世界がどう変わるかを動画で予測する世界モデルで、860万の動画テキスト対、約2億フレームで訓練された。
Android という比喩の意味
Alibaba はすべてのロボット本体を所有したいわけではない。多くの機体が入れられる共通ソフトウェア基盤を押さえたい。そのため、オープンデータとハードウェア横断の転移が発表の中心に置かれている。
ただし本番はデモの後だ。センサー雑音、アクチュエータのずれ、工場の例外処理はベンチマークより厳しい。これは汎用ロボット完成の証明ではなく、ロボットOS層を取りに行く本気の一手と読むべきだ。
参考資料：Decrypt、South China Morning Post、GIGAZINE、CocoLoop；6月16日の Qwen-Robot Suite 発表、RobotNav、RobotManip、RobotWorld、訓練データ、ベンチマーク値、対応ロボット基盤を確認。