LEARNING
Qwen-RobotWorld技术报告：通过语言条件视频生成统一具身世界建模
Jie Zhang, Xiaoyue Chen, Anzhe Chen, Dayiheng Liu, Deqing Li, Gengze Zhou, Hale Yin, Haoqi Yuan, Haoyang Li, Jiahao Li, Jiazhao Zhang, Jingren Zhou, Kaiyuan Gao, Kun Yan, Lihan Jiang, Ningyuan Tang, Pei Lin, Qihang Peng, Shengming Yin, Tianhe Wu
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出Qwen-RobotWorld，一种语言条件视频世界模型，以自然语言为统一动作接口，预测机器人操作、自动驾驶、室内导航和人机迁移等场景的未来视觉轨迹。通过双流MMDiT架构、大规模具身世界知识语料库和渐进式课程训练策略，实现了数据生成、策略评估和语言引导规划等应用。
关键词
world modelvideo generationlanguage-conditionedembodied intelligencediffusion transformer
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018