**Qwen-RobotWorld：语言条件化视频生成统一具身世界建模**

_Qwen-RobotWorld Technical Report: Unifying Embodied World Modeling through Language-Conditioned Video Generation_

> Qwen-RobotWorld 是一个语言驱动的视频世界模型，使用自然语言作为统一动作接口，预测机器人操作、自动驾驶、室内导航等任务中的未来视觉轨迹。模型采用双流 MMDiT 架构、大规模具身世界知识语料库（8.6M 视频-文本对）及通用+专家渐进课程训练策略。在 EWMBench、DreamGen Bench 等基准上排名第一，并在零样本泛化中表现优异，为策略训练数据生成、虚拟评估和规划信号提供有力支持。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-16 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.17030)