Informe técnico de Qwen-RobotNav: Un modelo de navegación escalable diseñado para un sistema de navegación agéntico.

Resumen

Los sistemas de navegación agentiva requieren un modelo base de navegación cuya estrategia de observación pueda ser reconfigurada externamente en tiempo de inferencia, ya que el seguimiento de instrucciones, la búsqueda de objetos, el rastreo de objetivos y la conducción autónoma comparten la misma columna vertebral de percepción-planificación, pero demandan estrategias fundamentalmente diferentes para el consumo del flujo visual. Presentamos Qwen-RobotNav, un modelo de navegación escalable construido sobre Qwen-RobotNav que aborda esto mediante una interfaz parametrizada con dos dimensiones complementarias: múltiples modos de tarea que seleccionan el comportamiento de navegación, y parámetros de observación controlables (por ejemplo, presupuesto de tokens, pesos por cámara) que rigen cómo se codifica el historial visual. Con aleatorización en tiempo de entrenamiento sobre todos los parámetros, Qwen-RobotNav es robusto ante cualquier configuración en tiempo de inferencia sin requerir modificaciones arquitectónicas en la columna vertebral de Qwen-RobotNav. Entrenamos Qwen-RobotNav con 15,6 millones de muestras; el co-entrenamiento con datos de visión-lenguaje previene el colapso en mapeadores de secuencias de acción reactivos observado en el entrenamiento solo con trayectorias. La interfaz parametrizada también convierte a Qwen-RobotNav en un componente natural para sistemas agentivos: para escenarios de horizonte largo, un planificador de nivel superior descompone los objetivos en subtareas y cambia dinámicamente el modo de tarea y la estrategia de contexto de Qwen-RobotNav durante un episodio, componiendo comportamientos complejos a partir de llamadas repetidas al mismo modelo. Experimentos exhaustivos muestran que Qwen-RobotNav establece nuevos resultados de última generación en los principales puntos de referencia de navegación. El modelo exhibe un escalado favorable de 2B a 8B parámetros, con entrenamiento conjunto de múltiples tareas que desarrolla un sustrato compartido de planificación espacial que se transfiere entre familias de tareas, y demuestra una fuerte generalización de cero disparos a robots del mundo real en diversos entornos.

English

Agentic navigation systems require a base navigation model whose observation strategy can be externally reconfigured at inference time, because instruction following, object search, target tracking, and autonomous driving share the same perception-planning backbone yet demand fundamentally different strategies for consuming the visual stream. We present Qwen-RobotNav, a scalable navigation model built on Qwen-RobotNav that addresses it through a parameterised interface with two complementary dimensions: multiple task modes that select the navigation behaviour, and controllable observation parameters (e.g., token budget, per-camera weights) that govern how visual history is encoded. With training-time randomization over all parameters, Qwen-RobotNav is robust to any inference-time configuration requiring zero architectural modification to the Qwen-RobotNav backbone. We train Qwen-RobotNav on 15.6M samples; co-training with vision-language data prevents the collapse into reactive action-sequence mappers observed in trajectory-only training. The parameterised interface also makes Qwen-RobotNav a natural building block for agentic systems: for long-horizon scenarios, an upper-level planner decomposes goals into sub-tasks and dynamically switches Qwen-RobotNav's task mode and context strategy mid-episode, composing complex behaviours from repeated calls to the same model. Extensive experiments show that Qwen-RobotNav sets new state-of-the-art results across major navigation benchmarks. The model exhibits favourable scaling from 2B to 8B parameters, with joint multi-task training developing a shared spatial-planning substrate that transfers across task families, and demonstrates strong zero-shot generalisation to real-world robots across diverse environments.