- 类别
- VLA 模型
- 开放程度
- 仅论文
- 发布时间
- 2026 年 5 月
- 发布方所在地
- 中国
项目简介
Qwen-VLA 是阿里巴巴 Qwen 团队的通用视觉-语言-动作模型,由 Qwen3.5-4B 视觉语言骨干和 1.15B 参数的 DiT 流匹配动作解码器组成。它把操作、导航、第一视角动作建模和轨迹预测统一到同一动作与轨迹预测框架中,一套权重通过提示词适配多个机器人平台。训练包括大规模动作预训练、多模态继续预训练、监督微调和强化学习。官方仓库目前只有技术报告和演示,未放出代码和权重。
- 规模
- Qwen3.5-4B 视觉语言骨干 + 1.15B 参数 DiT 流匹配动作解码器
适配机器人
- ALOHA