알리바바 그룹(Alibaba Group)이 6월 17일 Qwen 기반 로보틱스 파운데이션 모델 묶음 ‘Qwen-Robot Suite’를 공식 공개했다. ‘구현형 지능(embodied intelligence)’ 분야의 진전을 보여주는 결과물로, 범용 비전-언어-액션(VLA) 모델 Qwen-RobotManip, 확장형 비전-언어 내비게이션(VLN) 모델 Qwen-RobotNav, 비디오 월드 모델 Qwen-RobotWorld 세 가지로 구성된다.
Qwen-Robot Suite는 이동과 조작, 물리 세계의 작동 원리 등 물리적 상호작용을 폭넓게 다루도록 설계됐다. 실제 로봇이 낯선 환경에 적응하고, 처음 접하는 물체와 상호작용하며, 물리 법칙을 따르면서 자연어 지시를 정확히 수행하도록 돕는다. 알리바바는 Qwen의 멀티모달 역량인 언어 이해와 시각 인식, 공간 추론을 물리 세계로 확장했다고 설명했다.
Qwen-RobotManip은 Qwen3.5-4B VL 모델을 기반으로, 오픈소스 데이터로만 구성된 3만 8,000시간 이상의 데이터를 학습했다. 대규모 실제 로봇 평가인 로보챌린지(RoboChallenge)에서 1위를 기록했고, 서로 다른 로봇 플랫폼 간 전이 성능에서 기존 최고 수준 대비 3배 향상된 결과를 냈다. 재학습을 최소화하면서 다양한 로봇 하드웨어에 배포할 수 있다는 의미다.
Qwen-RobotNav는 1,560만 건의 샘플로 학습한 내비게이션 모델로, 작업별 재학습 없이 추론 시점에 내비게이션 모드와 전략을 동적으로 선택한다. ‘내 출입증을 어디에 두었나’처럼 물리 공간에 관한 질문에 답하는 구현형 질문 응답(EQA) 같은 장기 과제를 처리하는 데 쓰인다. Qwen-RobotWorld는 현재 관측을 바탕으로 물리 법칙에 맞는 미래 시각 변화를 예측하는 비디오 월드 모델로, 로봇 학습용 합성 영상을 생성하고 실행 전 궤적을 시뮬레이션한다.
Qwen-Robot Suite의 핵심은 범용 AI 모델을 물리 공간의 실용적 에이전트로 전환하는 데 있다. 범용 Qwen 모델이 상위 전략을 세우고 Qwen-RobotNav가 실시간 실행을 맡으면, 로봇이 실제 공간을 자율적으로 탐색해 근거 기반 답을 내놓을 수 있다. 일반 지능과 물리적 행동 사이의 간극을 메우는 특화 도구로 활용하는 구조다.
Qwen-Robot Suite는 현재 일부 알리바바 클라우드 기업 고객을 대상으로 실제 환경 파일럿 테스트를 진행 중이다. 알리바바는 향후 이 모델군을 물리적 에이전트 생태계 전반에 통합해, 복잡하고 변화하는 환경에서 자율 인식과 공간 의사결정, 장기 실행이 가능한 에이전트 구현을 목표로 삼았다.
자세한 내용은 알리바바에서 확인할 수 있다.
이미지 출처: 알리바바
