VLA 갤러리 / 모델 목록 / 2026 신규

Qwen-VLA

Qwen Team · 2026-05

VLA2026 신규미공개flow matching

Qwen VLM에 DiT flow-matching 디코더를 붙여 조작·내비게이션·궤적 예측을 하나의 행동·궤적 공간으로 묶고, 로봇별 프롬프트 조건화로 한 가중치가 여러 엠바디먼트를 다룬다.

논문

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

개요

분류

2026 신규

유형

VLA

발표

2026-05

기관

Qwen Team

가중치 공개

아니오

파라미터

미공개 (Qwen3.5-4B 백본 + 액션 전문가 약 1.15B; 총량 문장 없음)

구조

백본 LLM

Qwen3.5-4B

비전 인코더

Qwen3.5-4B 내장 ViT (공간 병합)

액션 헤드

DiT flow-matching 디코더 (약 1.15B, 16블록) (flow matching)

청크

16스텝 (내비게이션 웨이포인트 8개)

제어 주기

데이터셋별 (프롬프트로 지정)

구조 원문 요약

Qwen3.5-4B(네이티브 멀티모달, ViT + 공간 병합) + 단일 스트림 DiT flow-matching 액션 디코더 약 1.15B(16블록×70.8M, AdaLN 시간 조건) → 조작 행동 청크 H=16, 내비게이션 웨이포인트 8개(Δx,Δy,Δθ; VLN-CE는 슬라이딩 윈도 실행), 소수 Euler 스텝; 로봇 태그·팔 구성·제어 주파수·청크 크기를 텍스트 프롬프트로 조건화

학습

사전학습 가속기

미공개

사전학습 기간

미공개

사전학습 스텝·배치

T2A 2,000스텝(최종 파이프라인 기본값); 이후 단계 스텝·배치 미공개 (T2A 절제에서 2,000스텝 정점·10,000스텝까지 정체)

GPU·TPU-시간

미공개

파인튜닝

SFT·ALOHA 파인튜닝 가속기·시간 미공개; RL(PPO+GAE, RLinf, SimplerEnv): iteration당 rollout epoch 8×환경 128스텝(8,192 청크), actor lr 5e-6·value lr 1e-4

데이터 종류

실로봇 텔레옵 / 사람 영상 / 시뮬레이션·합성 / 웹 비전-언어

데이터 규모

공개 조작 데이터 10,000시간 이상 + 자체 실로봇 궤적 1,000시간 이상; 합성 시뮬 궤적 8M 이상; T2A 언어-행동 합성 약 7.2M 궤적·14,000시간 이상; 1인칭 사람 영상(EgoDex 829시간, EgoVerse 1,300시간 이상 등); 혼합 비율 조작 74.2%·사람 6.0%·내비게이션 7.5%(지시 4.3·물체 탐색 2.3·추적 1.0)

주요 데이터셋

RoboMIND; DROID; BridgeData V2; RT-1; BC-Z; AgiBot World; Ego4D·EPIC-KITCHENS(VITRA); EgoDex; EgoVerse; 내비게이션 데이터(출처 미기재)

태스크·평가

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 제로샷 SR 26.6%; 실 ALOHA 평균 83.6%(OOD 76.9%)

로봇

실로봇 ALOHA 양팔(고정); 사전학습 WidowX·Google Robot·Franka·ARX5·Fourier GR-1·Mobile ALOHA·AgiBot A2-D·Galaxea R1·AIRBOT MMK2·TienKung(팔 행동만); 내비게이션은 VLN-CE 시뮬 3-DoF 평면 이동 에이전트

추론

추론 장치·속도

미공개 (소수 Euler 스텝으로 저지연 실시간 제어를 지향한다고만 기술)

추론 메모리

미공개

가중치 bf16 (계산)

미공개

실행 위치

미공개

강화학습 · 베이스

강화학습

사용 (VLA RL 사후학습) · 다과제 SFT 체크포인트에서 PPO+GAE(RLinf), SimplerEnv 희소 이진 성공 보상

강화학습 근거

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

베이스 제어

시뮬 전용 (웨이포인트 → 추종 제어기) · 실제 모바일 베이스 제어 없음: 조작은 고정 팔(실 ALOHA 등), 내비게이션은 VLN-CE 시뮬 3-DoF 평면 에이전트에 상대 웨이포인트 8개를 슬라이딩 윈도로 실행

비고

핵심 특징

Qwen VLM에 DiT flow-matching 디코더를 붙여 조작·내비게이션·궤적 예측을 하나의 행동·궤적 공간으로 묶고, 로봇별 프롬프트 조건화로 한 가중치가 여러 엠바디먼트를 다룬다. 단일 범용 모델로 LIBERO 97.9%·R2R-CE SR 57.5%·RxR-CE SR 59.6%를 냈고 실 ALOHA에서 평균 83.6%(π0.5 71.6%)를 기록했다.

비고

실제 모바일 베이스 제어 실험 없음: 내비게이션은 VLN-CE R2R/RxR 시뮬 평가만, 실로봇은 고정 ALOHA라 지시대로 '2026 신규'·베이스 '고정'으로 기재. 논문 바이라인 'Owen Team'(README는 'Qwen Team'). GitHub은 정보·이슈 창구로 체크포인트 링크 없음(2026-10 기준). 총 파라미터·학습 연산·추론 지연 미공개. 데이터 시간은 출처별 수치만 있어 합계 칸은 비움.

검증

수정 반영