अलीबाबा ने रोबोटों को नियंत्रित करने के लिए एआई मॉडल पेश किए

अलीबाबा ने क्यूवेन-रोबोट सूट का अनावरण किया है - यह भौतिक वातावरण में रोबोटों और कार्यों के लिए एआई मॉडल का एक सेट है: क्यूवेन-रोबोटनैव नेविगेशन के लिए, क्यूवेन-रोबोटमैनिप वस्तुओं के साथ क्रियाओं के लिए, और क्यूवेन-रोबोटवर्ल्ड यह भविष्यवाणी करने के लिए कि एक दृश्य कैसे विकसित होगा। टीम ने इस परियोजना को «शारीरिक कृत्रिम बुद्धिमत्ता के लिए पूर्ण स्टैक» के रूप में वर्णित किया।

ये सॉफ़्टवेयर मॉडल भौतिक एजेंटों को उनके चारों ओर के वातावरण को समझने, कार्यों की योजना बनाने और प्राकृतिक भाषा में आदेशों को लागू करने में मदद करने के लिए बनाए गए हैं। क्यूवेन-रोबोट सूट पहले से ही रोबोटिक्स क्षेत्र में चयनित अलीबाबा क्लाउड उद्यम ग्राहकों के साथ पायलट परीक्षणों से गुजर रहा है।

अलीबाबा क्यूवेन को भौतिक दुनिया में क्यों ला रहा है

बड़े भाषा और मल्टीमोडल मॉडल पहले से ही पाठ, चित्र, वीडियो और भाषण के साथ काम कर सकते हैं, लेकिन यह रोबोटों के लिए पर्याप्त नहीं है। भौतिक एजेंटों को केवल एक आदेश को समझने की आवश्यकता नहीं है, बल्कि इसे गति में अनुवादित करने, स्थान, वस्तुओं के गुणों, सेंसर की सीमाओं और क्रियाओं के परिणामों का ध्यान रखने की भी आवश्यकता है।

अलीबाबा इसे भौतिक एआई या «शारीरिक एआई» के क्षेत्र के रूप में बुलाता है। इस दृष्टिकोण में, एक मॉडल को केवल डिजिटल डेटा के साथ ही नहीं, बल्कि भौतिक वातावरण के साथ भी काम करना चाहिए: चारों ओर घूमना, वस्तुओं को खोजना, मैनिपुलेटर्स को नियंत्रित करना, और यह भविष्यवाणी करना कि एक क्रिया के बाद क्या होगा।

क्यूवेन-रोबोटनैव: एक मॉडल में पांच नेविगेशन कार्य

क्यूवेन-रोबोटनैव नेविगेशन के लिए जिम्मेदार है। यह मॉडल कार्यों के पांच समूहों को जोड़ता है:

• निर्देशों का पालन करना;
• निर्धारित बिंदु पर जाना;
• वस्तुओं की खोज करना;
• एक लक्ष्य का ट्रैकिंग;
• स्वायत्त ड्राइविंग।

अलीबाबा के अनुसार, Qwen-RobotNav Qwen3-VL पर आधारित है और मार्ग योजना और दृश्य-भाषा तर्क से संबंधित 15.6 मिलियन नमूनों पर प्रशिक्षित है।

कंपनी ने VLN-CE RxR पर 76.5% सफलता और EVT-Bench पर 90% सफलता का दावा किया। अलीबाबा ने यह भी स्पष्ट किया कि मॉडल बड़े एजेंटिक सिस्टम के लिए एक उपकरण के रूप में कार्य कर सकता है: एक उच्च-स्तरीय मॉडल कार्य की योजना बनाता है, जबकि Qwen-RobotNav आंदोलन को संभालता है।

अपने प्रदर्शनों में, अलीबाबा ऐसे परिदृश्यों का वर्णन करता है जैसे किसी कमरे में खोई हुई वस्तु की खोज करना या यह जांचना कि किसी भवन में एक विशिष्ट वस्तु खुली है या नहीं। ऐसे कार्यों में, एक रोबोट को केवल चलना नहीं है बल्कि दृश्य साक्ष्य इकट्ठा करना है और उपयोगकर्ता को एक उत्तर लौटाना है।

Qwen-RobotManip: वस्तुओं के साथ क्रियाएँ

Qwen-RobotManip वस्तुओं के साथ भौतिक क्रियाओं के लिए डिज़ाइन किया गया है। मॉडल का उद्देश्य रोबोटों को वस्तुओं को उठाने, स्थानांतरित करने और रखने में मदद करना है, साथ ही विभिन्न प्रकार के उपकरणों के बीच कौशल स्थानांतरित करना है।

रोबोटिक्स की एक प्रमुख चुनौती यह है कि रोबोट क्रियाओं का वर्णन अलग-अलग करते हैं। एक मैनिपुलेटर, एक दो-हाथ वाला प्लेटफ़ॉर्म, एक हाथ वाला रोबोट, या एक मोबाइल सिस्टम विभिन्न समन्वय, जोड़ों और आदेश प्रारूपों का उपयोग करते हैं। Qwen-RobotManip इस डेटा को एक सामान्य प्रतिनिधित्व में लाने का प्रयास करता है ताकि एक प्रकार के रोबोट पर प्रशिक्षण दूसरे की मदद कर सके।

प्रशिक्षण के लिए, अलीबाबा ने 38,100 घंटे से अधिक डेटा का उपयोग किया। इस मात्रा में 11,320 घंटे का ओपन रोबोटिक्स डेटा, 1,933 घंटे का पहले व्यक्ति का मानव क्रिया वीडियो, और ऐसे वीडियो के आधार पर बनाए गए 24,808 घंटे के सिंथेटिक रोबोटिक डेमोंस्ट्रेशन शामिल थे।

कंपनी ने कहा कि मॉडल ने सामान्य उद्देश्य मॉडल ट्रैक में RoboChallenge Table30 v1 में पहला स्थान प्राप्त किया। अलीबाबा के अनुसार, Qwen-RobotManip ने नए निर्देशों, अपरिचित वस्तुओं, और विभिन्न रोबोटों के बीच कौशल के हस्तांतरण के प्रति भी मजबूती दिखाई।

Qwen-RobotWorld: रोबोटों के लिए एक विश्व मॉडल

Qwen-RobotWorld एक वीडियो विश्व मॉडल है जिसे प्राकृतिक भाषा द्वारा नियंत्रित किया जाता है। इसका उद्देश्य यह भविष्यवाणी करना है कि एक निश्चित क्रिया के बाद दृश्य कैसे विकसित होगा।

उदाहरण के लिए, मॉडल एक वर्तमान अवलोकन और एक पाठ आदेश प्राप्त करता है, और फिर वातावरण की एक संभावित भविष्य की स्थिति उत्पन्न करता है। इस दृष्टिकोण का उपयोग हेरफेर, स्वायत्त ड्राइविंग, नेविगेशन, योजना बनाने, और रोबोटों के लिए सिंथेटिक प्रशिक्षण डेटा बनाने के लिए किया जा सकता है।

Qwen-RobotWorld को प्रशिक्षित करने के लिए, टीम ने Embodied World Knowledge कॉर्पस को इकट्ठा किया। इसमें 8.6 मिलियन «वीडियो-टेक्स्ट» जोड़े और 200 मिलियन से अधिक फ्रेम शामिल हैं, जो 20 से अधिक प्रकार के रोबोटिक प्लेटफार्मों और 500 से अधिक क्रियाओं की श्रेणियों को कवर करता है।

अलीबाबा ने कहा कि Qwen-RobotWorld ने EWMBench और DreamGen Bench में पहला स्थान प्राप्त किया, और WorldModelBench और PBench में सभी ओपन मॉडलों को भी पीछे छोड़ दिया। तकनीकी विवरण में यह भी दावा किया गया है कि मॉडल बुनियादी भौतिक नियमों के साथ उच्च संगति दिखाता है — गति, द्रव्यमान का संरक्षण, तरल पदार्थ, और गुरुत्वाकर्षण।

मास-मार्केट रोबोट अभी भी बहुत दूर हैं

दावा किए गए परिणामों के बावजूद, Qwen-Robot Suite फिलहाल एक सेट मॉडल का समूह है न कि एक पूर्ण उपभोक्ता रोबोटिक्स प्लेटफॉर्म। वास्तविक दुनिया में तैनाती सेंसर शोर, एक्ट्यूएटर पहनने, गैर-मानक स्थितियों, धारणा त्रुटियों, और दुर्लभ परिदृश्यों की एक विशाल संख्या में आती है। ऐसे सिस्टम की तुलना के लिए कई बेंचमार्क सिमुलेशन में या सीमित प्रयोगात्मक परिस्थितियों के तहत चलाए जाते हैं।

अलीबाबा ने पहुंच की लागत, सार्वजनिक लॉन्च के लिए समयसीमा, या उन ग्राहकों की सूची का भी खुलासा नहीं किया है जो पहले से ही Qwen-Robot Suite का परीक्षण कर रहे हैं।

याद दिलाने के लिए, अप्रैल में अलीबाबा क्लाउड ने एजेंटिक मॉडल Qwen3.6-Plus का अनावरण किया जिसमें 1 मिलियन टोकन का संदर्भ विंडो और बाहरी उपकरणों के लिए समर्थन है।

स्रोत: फोर्कलॉग