---
title: "Qwen-VLA – 阿里通义推出的通用视觉-语言-动作模型"
url: "https://paooo.com/aigc-news/18636/"
author: "Prompt 语宙研究院"
published_at: "2026-06-07T18:05:47+08:00"
updated_at: "2026-06-07T18:05:47+08:00"
categories: "AIGC 资讯"
tags: "3D与空间智能, AI智能体, 大模型微调, 开源大模型, 通义千问"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Qwen-VLA – 阿里通义推出的通用视觉-语言-动作模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/18636/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-07

## AI 30 秒核心看点 (TL;DR)

- 统一操作、导航、轨迹预测三任务，Qwen-VLA 用同一模型实现具身智能通用行动能力。
- 通过本体感知文本提示切换机器人平台，支持 11 种本体，部署时无需改架构。
- 零样本动态操作和 OOD 泛化表现突出，DOMINO 26.6%，真实世界平均成功率 76.9%。

## Qwen-VLA是什么

Qwen-VLA 是通义实验室推出的通用视觉-语言-动作模型，以 Qwen3.5-4B 为视觉语言主干，搭配 1.15B 参数的 DiT 动作解码器。模型通过统一动作轨迹预测框架，将操作、导航、轨迹预测三大任务统一到同一模型；借助本体感知提示条件化，仅需修改文本描述即可适配 11 种机器人平台。模型在多项基准中超越专用模型，零样本动态操作成功率达 26.6%，推动具身智能从技能专家走向通用行动者。

## Qwen-VLA的主要功能

- 
**跨任务统一控制**：单一模型同时处理操作、导航、轨迹预测三大任务，打破传统专用模型割裂局面。

- 
**跨本体即插即用**：支持 WidowX、Franka Panda、Mobile ALOHA、Galaxea R1 等 11种机器人平台，覆盖单臂/双臂/移动底座等配置，仅需修改文本提示可切换。

- 
**零样本开放世界泛化**：在未见过的颜色、实例、位置、背景、指令五个分布外维度上保持高成功率，无需针对新环境重新训练。

- 
**动态物体操作**：无需动态训练数据，零样本操作运动中的物体，DOMINO 基准成功率 26.6% 超越专用微调模型。

- 
**长时程导航**：任务自适应 token 分配机制，为长指令保留更丰富的 episode 历史，VLN-CE 基准 R2R 57.5%、RxR 59.6% 超越专用导航模型。

## Qwen-VLA的技术原理

- **统一动作轨迹预测框架**：传统具身智能将操作、导航、轨迹预测拆分为独立模型，导致跨任务迁移受限。Qwen-VLA 发现三者计算结构同构——均为”观察场景 + 理解指令 → 预测未来动作序列”，因此统一建模。模型将 Qwen3.5-4B 视觉语言主干与 1.15B DiT 动作解码器结合，不同任务数据在同一训练中共同监督，视觉定位和空间推理能力跨任务迁移。

- **本体感知提示条件化**：面对机器人硬件差异，传统方案为每种本体定制独立分支。Qwen-VLA 将硬件差异编码为结构化文本提示作为唯一平台接口，提示包含机器人型号、臂数、关节配置、控制频率等信息，交由 VLM 处理。骨干网络隐藏状态与噪声动作块拼接后送入 DiT 解码器，推理时仅替换提示可切换平台。

- **文本到动作 DiT 预训练（T2A）**：训练面临 VLM 已预训练而 DiT 从零初始化的问题。解决方案：冻结 VLM，单独训练 DiT，且不提供图像仅输入文本。让 DiT 先学会动作分布、文本-动作对齐、本体条件化。此阶段计算代价仅为多模态训练的 1/10。消融实验验证：20%合成+80%真实数据最佳（71.1%），无图像反而优于有图像，2,000步达峰值。

## 如何使用Qwen-VLA

- **环境准备**：从 GitHub 克隆官方仓库并安装依赖，下载预训练权重。

- **模型推理**：根据机器人硬件配置生成本体提示，将图像、指令和提示输入模型，获取动作序列并发送给机器人执行，循环迭代实现闭环控制。

- **模型训练（进阶）**：按 T2A → CPT → SFT → RL 四阶段流程训练，逐步提升动作生成、视觉感知、任务适配和闭环优化能力。

- **跨平台部署**：切换机器人时仅需修改提示中的硬件描述字段，适配新本体时采集数据在 SFT 阶段微调即可。

## Qwen-VLA的核心优势

- 
**通用性超越专用性**：单一通用模型在 5 个仿真基准中的 3 个超越最佳专用模型。

- 
**轻量跨本体适配**：仅需修改文本提示，无需为每种机器人重新训练模型。

- 
**高效预训练策略**：T2A 阶段计算成本仅为多模态训练的 1/10，避免干扰 VLM 预训练成果。

- 
**强 OOD 泛化能力**：真实世界平均 OOD 成功率 76.9%，超越 π₀.₅+35.4pp及无预训练变体+40.7pp。

- 
**动态场景零样本突破**：DOMINO 基准零样本 26.6%，超越专用微调模型 PUMA 17.2%。

## Qwen-VLA的项目地址

- **项目官网**：https://qwen.ai/blog?id=qwenvla

- **GitHub仓库**：https://github.com/QwenLM/Qwen-VLA

- **arXiv技术论文**：https://arxiv.org/pdf/2605.30280

## Qwen-VLA的同类竞品对比

维度
Qwen-VLA
π₀.₅ (Physical Intelligence)

**架构底座**
Qwen3.5-4B VLM + 1.15B DiT 解码器
基于流匹配的 VLA 架构

**任务统一性**
操作+导航+轨迹预测三任务统一
专注操作任务

**跨本体方式**
文本提示条件化，无需改架构
需针对不同本体微调或适配

**支持平台数**
11 种（WidowX、ALOHA、Franka 等）
主要支持少量主流平台

**预训练策略**
T2A 无视觉预训练（计算成本 1/10）
端到端多模态联合训练

**动态操作**
零样本 26.6%（DOMINO）
零样本 7.5%

**OOD 泛化**
真实世界平均 76.9%
41.5%

**导航能力**
VLN-CE R2R 57.5%，超越专用导航模型
不支持

**开源程度**
论文+代码+权重全开源
部分开源

**训练效率**
T2A 阶段计算成本为多模态 1/10
标准多模态训练成本

## Qwen-VLA的应用场景

- 
**多任务工业机器人**：同一模型在装配线上完成抓取、搬运、导航至不同工位等异构任务，无需为每个任务单独部署模型。

- 
**服务机器人跨场景部署**：家用机器人在厨房执行操作、客厅自主导航、走廊规划轨迹，无缝切换任务类型。

- 
**科研教育平台**：研究人员无需为每种机器人重新训练模型，仅需修改文本提示即可在新硬件平台上快速验证算法。

- 
**动态环境操作**：物流仓储中抓取传送带上的运动包裹，无需针对动态场景重新采集训练数据。

- 
**长时程复杂指令跟随**：博物馆导览机器人执行”先去A展厅拍照，绕过人群去B展厅”等多步骤长指令任务。

## 常见问题解答 (FAQ)

### Qwen-VLA适合哪些机器人平台？
文章显示，Qwen-VLA 可通过本体感知提示适配 11 种机器人平台，包括 WidowX、Franka Panda、Mobile ALOHA、Galaxea R1 等。切换平台时通常只需修改文本中的硬件描述，无需重新设计模型结构。

### Qwen-VLA为什么能统一操作和导航任务？
它把操作、导航、轨迹预测视为同构问题：都是“观察场景+理解指令→预测未来动作序列”。因此可用统一动作轨迹预测框架联合训练，让视觉定位与空间推理能力跨任务迁移。

### Qwen-VLA的零样本表现怎么样？
文章给出的结果显示，Qwen-VLA 在动态物体操作上零样本成功率达 26.6%，在真实世界平均 OOD 成功率达 76.9%。这说明它对未见颜色、实例、位置、背景和指令具备较强泛化能力。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
