**Qwen-VLA：跨任务、环境和机器人实体的统一视觉-语言-动作建模**

_Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments_

> Qwen-VLA是一个统一的具身智能基础模型，它基于Qwen的视觉-语言建模栈，通过DiT动作解码器扩展到连续动作和轨迹生成。该模型采用大规模联合预训练方案，整合了机器人操作轨迹、人类自我中心演示、合成仿真数据等多源数据。为支持多机器人平台，模型引入了具身感知的提示条件机制，并将操作、导航和轨迹预测统一到动作-轨迹预测框架中。实验表明，该模型在多个基准测试中展现出优异的多任务性能和分布外泛化能力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-05-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.30280)