# Qwen-VLA – 阿里通义推出的通用视觉-语言-动作模型

- Link: https://paooo.com/aigc-news/18636/
- Published: 2026-06-07T18:05:47+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

阅读目录

 * [Qwen-VLA是什么](https://paooo.com/aigc-news/18636/#qwenvla%e6%98%af%e4%bb%80%e4%b9%88)
 * [Qwen-VLA的主要功能](https://paooo.com/aigc-news/18636/#qwenvla%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Qwen-VLA的技术原理](https://paooo.com/aigc-news/18636/#qwenvla%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [如何使用Qwen-VLA](https://paooo.com/aigc-news/18636/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8qwenvla)
 * [Qwen-VLA的核心优势](https://paooo.com/aigc-news/18636/#qwenvla%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [Qwen-VLA的项目地址](https://paooo.com/aigc-news/18636/#qwenvla%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Qwen-VLA的同类竞品对比](https://paooo.com/aigc-news/18636/#qwenvla%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [Qwen-VLA的应用场景](https://paooo.com/aigc-news/18636/#qwenvla%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![Qwen-VLA](https://paooo.com/wp-content/uploads/2026/06/Qwen-VLA-website-1.avif)

## 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。

🔬 语宙深潜追问 · 进阶实操拆解

VLA模型落地最难跨过哪道坎？

最大难点是数据分布和本体差异。模型在仿真里表现好，不代表能适配不同机械臂、夹爪和
传感器；要想落地，必须做跨平台校准、动作约束和失败恢复策略。

如何评估VLA是否真能替代传统控制栈？

看它在长尾任务、开放环境和零样本迁移上的收益。若任务高度固定、精度要求极高，传统
控制仍更稳；若需要快速适配多平台、多任务，VLA 的统一建模价值更大。

🗳️ 读者观点微投票 · 您的实战立场是？

通用视觉-语言-动作模型，机器人真会迎来统一底座吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🏮 所属权威专题：国产大模型选型与资费对比 →](https://paooo.com/topics/domestic-llm-ecosystem/)

 * [Wall-OSS-0.5 – 自变量机器人开源的国产具身智能模型](https://paooo.com/aigc-news/18687/)
 * [Qwen-Robot Suite – 阿里通义推出的物理世界基础模型套件](https://paooo.com/aigc-news/24308/)
 * [Qwen2.5-VL – 阿里通义千问开源的视觉语言模型](https://paooo.com/aigc-news/22547/)
 * [宇树科技重磅开源UnifoLM-VLA-0：基于Qwen2.5-VL-7B，单一模型实现12类机器人操作，准确率98.7%](https://paooo.com/aigc-news/11535/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/18636/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
