Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments
Alibaba Qwen 팀이 조작·내비게이션·궤적 예측을 하나의 모델로 통합한 Embodied AI 파운데이션 모델 Qwen-VLA를 공개했다. 로봇 형태별 텍스트 프롬프트 조건 설정(embodiment-aware prompt conditioning)과 DiT 기반 액션 디코더를 도입하여 LIBERO 97.9%, Simpler-WidowX 73.7%, RoboTwin-Hard 87.2% 등 다수 조작 벤치마크에서 최고 수준 성능을 달성했다. 실세계 ALOHA 환경 OOD 성공률 76.9%를 기록했으며, 파라미터 규모 및 라이선스는 논문에서 별도 명시되지 않았다.
원문 보기