据 Qwen 团队 5 月 29 日发布的论文（arXiv:2605.30280），阿里通义千问正式开源 Qwen-VLA，一个将机械臂操作、视觉导航和轨迹预测整合进单一架构的视觉-语言-动作（VLA）模型。这是 Qwen 系列从语言和多模态理解向具身智能（embodied AI）延伸的第一步，也是国内大厂在 VLA 方向的首个完整开源方案。 技术路径：从 VLM 到 VLA，加了一个 DiT 动作解码器
Qwen-VLA 的基座是 Qwen 已有的视觉-语言模型（VLM），在感知、理解和推理能力之上，通过一个基于 DiT（Diffusion Transformer）的动作解码器，将输出空间从文本扩展到连续动作和轨迹生成。
这个架构选择有明确的对标意义。当前 VLA 领域的两条主线分别是离散动作 token 预测（以 RT-2 和 OpenVLA 为代表，将动作离散化为 256 个 bin 后用 token 自回归预测）和流匹配连续动作生成（以 Physical Intelligence 的 π₀ 为代表，用 flow matching 生成平滑的高频动作轨迹）。Qwen-VLA 走的是第二条路线的变体——用 DiT 做连续动作解码，同时通过"具身感知提示条件化"（embodiment-aware prompt conditioning）让同一个模型适配不同机器人形态，具体做法是在文本提示中加入当前机器人的本体描述和控制约定。
训练数据来源覆盖了多个异构来源：机械臂操作轨迹、人类第一人称视角演示、仿真合成数据、视觉-语言导航数据、轨迹级监督信号，以及辅助的视觉-语言数据。这种大规模联合预训练的策略，目标是让一个模型同时学会"怎么抓""怎么走"和"怎么预测别人会怎么走"。
跑分：操作、导航、真机三条线的成绩
Qwen-VLA 在论文中报告了跨任务、跨环境、跨机器人形态的评测结果。
操作类评测中，LIBERO 得分 97.9%，Simpler-WidowX 得分 73.7%，RoboTwin-Easy 和 Hard 分别为 86.1% 和 87.2%。LIBERO 是当前 VLA 社区使用最广泛的操作评测基准，UT Austin 团队设计，覆盖 4 个任务套件约 130 个任务。
导航类评测中，R2R（Room-to-Room）的 OSR 为 69.0%，RxR 的 SR 为 59.6%。这两个都是视觉-语言导航的标准评测集。值得注意的是，大多数 VLA 模型根本不做导航评测——它们只管"抓"不管"走"。Qwen-VLA 把导航纳入统一框架是它与竞品的结构性差异。
真机评测中，在 ALOHA 双臂机器人上的 OOD（分布外）平均成功率为 76.9%。DOMINO 动态操作的零样本成功率为 26.6%——这个数字看起来低，但 DOMINO 测的是模型从未见过的动态操作任务，26.6% 的零样本表现在当前 VLA 文献中算可用水平。
竞品对照：和 π₀、OpenVLA-OFT 比在哪
VLA 赛道在 2026 年已经相当拥挤。横向对照几个关键竞品：
π₀（Physical Intelligence，2024 年发布）是流匹配 VLA 的开创者，在 LIBERO 上得分 94.2%。Qwen-VLA 的 97.9% 高出 3.7 个百分点。但 π₀ 闭源且仅通过商业合作获取，无法做社区级复现。π₀.5 在真机 ALOHA 的 OOD 场景中报告了 71.6% 和 41.5% 两个数字（取决于任务类型），Qwen-VLA 的 76.9% 在同一硬件平台上有明确优势。
OpenVLA-OFT（Stanford，2025 年 2 月）通过优化微调方案把 OpenVLA 在 LIBERO 上从 76.5% 拉到 97.1%，同时实现了 26 倍的推理加速。Qwen-VLA 的 97.9% 略高 0.8 个百分点，但两者可能在误差范围内。OpenVLA-OFT 的核心优势是开源且轻量（7B 参数），微调只需 100-200 个演示。
Helix（Figure AI，2025 年）为人形机器人设计了"系统 1 / 系统 2"双架构，快速反应和慢速推理分离。SmolVLA（Hugging Face，2025 年）走极致轻量路线，约 450M 参数。这两者和 Qwen-VLA 的定位差异较大，不在同一条跑道上。
Qwen-VLA 相对于以上所有竞品的结构性差异在于：它是目前唯一在一个模型中同时覆盖操作、导航和轨迹预测三类任务的开源 VLA，而不是只做操作。这个设计选择带来了跨任务迁移的可能性，但也意味着在单一任务上可能不如专精模型的天花板高。
局限和需要关注的信息
LIBERO 评测本身正在受到质疑。2026 年多篇论文指出，在 LIBERO 上得分 95%+ 的模型，面对轻微的分布外扰动（换一个目标物体、挪一下初始位置、改一下指令措辞）后成功率可能降到接近零。LIBERO-PRO 和 libero-ood 两个扩展评测集专门测这种脆弱性。Qwen-VLA 报告的 97.9% 是标准 LIBERO 成绩，没有报告在这些鲁棒性评测上的表现。
论文共 40 位作者参与，规模很大，但目前没有公布模型参数量。据 Pandaily 报道，Qwen-VLA 构建在 Qwen 的 VLM 之上，但具体是哪个版本的 VLM 底座、总参数量多少、推理延迟多少，论文摘要和已公开信息中没有明确说明。对于实际部署来说，这些工程细节比 LIBERO 分数更关键。
DOMINO 零样本 26.6% 的成功率表明，在未见过的动态操作场景中，模型的泛化能力仍然有限。导航评测的 R2R 69.0% OSR 和 RxR 59.6% SR 也不算高分，与导航专精模型相比存在差距。"统一"的代价是在每个子任务上都不是最强。
阿里的具身 AI 布局有产业背景。据 Pandaily 报道，阿里通过阿里云（计算基础设施）、淘宝和菜鸟（电商和物流的真实世界数据）构成了潜在的部署生态。Qwen-VLA 不只是一篇学术论文，它是阿里进入具身 AI 赛道的技术起点，后续大概率会与阿里的机器人和物流业务对接。
AI 速览
