VLA ギャラリー / モデル一覧 / 2026年の新モデル

Qwen-VLA

Qwen Team · 2026-05

VLA2026年の新モデル非公開flow matching

Qwen VLMにDiT flow-matchingデコーダを付けて操作・ナビゲーション・軌跡予測を1つの行動・軌跡空間にまとめ、ロボット別プロンプト条件付けにより1つの重みで複数のembodimentを扱う。

論文

Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot EmbodimentsarXiv 2605.30280

概要

分類

2026年の新モデル

タイプ

VLA

発表

2026-05

機関

Qwen Team

重み公開

なし

パラメータ

非公開 (Qwen3.5-4Bバックボーン + アクションエキスパート 約1.15B; 総量の記述なし)

構造

バックボーンLLM

Qwen3.5-4B

ビジョンエンコーダ

Qwen3.5-4B内蔵ViT (空間マージ)

アクションヘッド

DiT flow-matchingデコーダ (約1.15B、16ブロック) (flow matching)

チャンク

16ステップ (ナビゲーションウェイポイント8個)

制御周期

データセット別 (プロンプトで指定)

構造の原文要約

Qwen3.5-4B(ネイティブマルチモーダル、ViT + 空間マージ) + シングルストリームDiT flow-matchingアクションデコーダ約1.15B(16ブロック×70.8M、AdaLN時間条件) → 操作行動チャンク H=16、ナビゲーションウェイポイント8個(Δx,Δy,Δθ; VLN-CEはスライディングウィンドウ実行)、少数のEulerステップ; ロボットタグ・腕構成・制御周波数・チャンクサイズをテキストプロンプトで条件付け

学習

事前学習アクセラレータ

非公開

事前学習期間

非公開

事前学習ステップ・バッチ

T2A 2,000ステップ(最終パイプラインのデフォルト値); 以降の段階のステップ・バッチは非公開 (T2Aアブレーションで2,000ステップがピーク・10,000ステップまで停滞)

GPU・TPU時間

非公開

ファインチューニング

SFT・ALOHAファインチューニングのアクセラレータ・時間は非公開; RL(PPO+GAE、RLinf、SimplerEnv): iterationあたりrollout epoch 8×環境128ステップ(8,192チャンク)、actor lr 5e-6・value lr 1e-4

データ種類

実ロボットのテレオペレーション / 人の動画 / シミュレーション・合成 / Web視覚言語

データ規模

公開操作データ10,000時間以上 + 自前の実ロボット軌跡1,000時間以上; 合成シミュレーション軌跡8M以上; T2A言語・行動合成約7.2M軌跡・14,000時間以上; 一人称人間動画(EgoDex 829時間、EgoVerse 1,300時間以上など); 混合比率は操作74.2%・人間6.0%・ナビゲーション7.5%(指示4.3・物体探索2.3・追跡1.0)

主要データセット

RoboMIND; DROID; BridgeData V2; RT-1; BC-Z; AgiBot World; Ego4D·EPIC-KITCHENS(VITRA); EgoDex; EgoVerse; ナビゲーションデータ(出典の記載なし)

タスク・評価

LIBERO 97.9%; RoboCasa-GR1 56.7%; Simpler-WidowX 73.7%; RoboTwin 2.0 Easy 86.1%・Hard 87.2%; R2R-CE val-unseen OS 69.0・SR 57.5・SPL 51.2; RxR-CE SR 59.6・SPL 47.8; SimplerEnv-OOD 32.0%; DOMINOゼロショットSR 26.6%; 実機ALOHA平均83.6%(OOD 76.9%)

ロボット

実ロボットALOHA双腕(固定); 事前学習 WidowX・Google Robot・Franka・ARX5・Fourier GR-1・Mobile ALOHA・AgiBot A2-D・Galaxea R1・AIRBOT MMK2・TienKung(アーム行動のみ); ナビゲーションはVLN-CEシミュレーションの3-DoF平面移動エージェント

推論

推論デバイス・速度

非公開 (少数のEulerステップで低遅延リアルタイム制御を目指すとのみ記述)

推論メモリ

非公開

重み bf16(計算)

非公開

実行場所

非公開

強化学習・ベース

強化学習

使用 (VLAのRL事後学習) · マルチタスクSFTチェックポイントからPPO+GAE(RLinf)、SimplerEnvの疎な二値成功報酬

強化学習の根拠

https://arxiv.org/html/2605.30280v2

ベース制御

シミュレーションのみ (ウェイポイント → 追従制御器) · 実機でのモバイルベース制御なし: 操作は固定アーム(実機ALOHAなど)、ナビゲーションはVLN-CEシミュレーションの3-DoF平面エージェントで相対ウェイポイント8個をスライディングウィンドウで実行

備考

主な特徴

Qwen VLMにDiT flow-matchingデコーダを付けて操作・ナビゲーション・軌跡予測を1つの行動・軌跡空間にまとめ、ロボット別プロンプト条件付けにより1つの重みで複数のembodimentを扱う。単一の汎用モデルでLIBERO 97.9%・R2R-CE SR 57.5%・RxR-CE SR 59.6%を出し、実機ALOHAで平均83.6%(π0.5 71.6%)を記録した。

備考

実機でのモバイルベース制御実験なし: ナビゲーションはVLN-CE R2R/RxRのシミュレーション評価のみ、実ロボットは固定ALOHAのため指示どおり'2026年の新モデル'・ベース'固定'と記載。論文のバイラインは'Owen Team'(READMEは'Qwen Team')。GitHubは情報・Issueの窓口でチェックポイントのリンクなし(2026-10時点)。総パラメータ・学習計算量・推論遅延は非公開。データ時間は出典別の数値しかないため合計欄は空欄。

検証

修正反映