アリババは火曜日、同社のAI研究部門である通義千問（Tongyi Lab）が開発した、身体性知能向けの初の包括的大規模モデル群「Qwen Robot Suite」を発表した。このスイートはロボットの知能を3つの相互接続された層に分割する。すなわち、命令追従、目標ナビゲーション、物体追跡、自律運転を単一フレームワークに統合した視覚言語ナビゲーションモデル「Qwen-RobotNav」、操作、運転、ナビゲーションのコンテキストを対象とし、行動前に物理的なシーンがどのように変化するかを機械が予測できるようにするビデオワールドモデル「Qwen-RobotWorld」、そしてQwen3.5-4Bアーキテクチャを基盤とし、オープンソースデータのみから構築された3万8100時間以上のコーパスで訓練された、汎用的な視覚言語行動（VLA）モデル「Qwen-RobotManip」である。これらはすべて言語優先のインターフェースを提供し、標準のQwenモデル呼び出しを通じて構成することができる。アリババによると、このスイートは選定されたAlibaba Cloudのエンタープライズ顧客を対象にパイロットテストを開始しているという。
3つのモデルとともに、アリババは「Qwen-RobotClaw」を公開した。これは社内エージェントフレームワークであり、Qwenの視覚言語モデルがRobot Suiteのコンポーネントを現実世界での実行のためのツールとして呼び出せるようにし、最大20分のセッションに必要なコンテキストとメモリを管理する。これにより、フレーム単位の視覚的反応を超えた、持続的な長期的計画が可能になる。今回の発表により、すでにテキスト、視覚、コード、音声、動画を網羅するQwenモデルファミリーが物理世界に拡張され、ロボット応用のための潜在的な汎用基盤として位置づけられる。また、Google DeepMind、Figure AI、Bytedanceなどの競合他社と並び、AIモデルをデジタルインターフェースから現実環境を知覚し行動できる機械へと移行させる競争において、アリババが正式に「身体性AI（embodied AI）」分野に参入したことを示す。