Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments

Qwen-VLA是统一的具身基础模型，将Qwen的视觉-语言建模栈从感知、理解和推理扩展到连续动作和轨迹生成，采用基于DiT的动作解码器。该方法在多样化数据源上进行大规模联合预训练，包括机器人操作轨迹、人类第一人称演示、合成仿真数据、视觉-语言任务等。Qwen-VLA能够统一处理跨任务、跨环境和跨机器人具身形态的异构具身决策问题，为通用具身智能提供了新的基础模型范式。arXiv编号：2605.30280。