Технический отчет Qwen-RobotNav: масштабируемая навигационная модель, разработанная для агентной навигационной системы

Аннотация

Агентные системы навигации требуют базовой модели навигации, стратегия наблюдения которой может быть внешне перенастроена во время инференса, поскольку следование инструкциям, поиск объектов, отслеживание целей и автономное вождение используют одну и ту же основу восприятия и планирования, но требуют принципиально различных стратегий потребления визуального потока. Мы представляем Qwen-RobotNav — масштабируемую модель навигации, построенную на Qwen-RobotNav, которая решает эту задачу с помощью параметризованного интерфейса с двумя взаимодополняющими измерениями: множеством режимов задач, выбирающих поведение навигации, и управляемыми параметрами наблюдения (например, бюджет токенов, веса для каждой камеры), которые определяют, как кодируется визуальная история. Благодаря рандомизации всех параметров во время обучения, Qwen-RobotNav устойчив к любой конфигурации во время инференса, не требующей никаких изменений архитектуры основы Qwen-RobotNav. Мы обучаем Qwen-RobotNav на 15,6 миллионах образцов; совместное обучение с данными типа «зрение-язык» предотвращает коллапс в реактивные отображения последовательностей действий, наблюдаемый при обучении только на траекториях. Параметризованный интерфейс также делает Qwen-RobotNav естественным строительным блоком для агентных систем: для сценариев с долгосрочным горизонтом планировщик верхнего уровня разбивает цели на подзадачи и динамически переключает режим задачи и стратегию контекста Qwen-RobotNav в середине эпизода, составляя сложные поведения из повторных вызовов одной и той же модели. Обширные эксперименты показывают, что Qwen-RobotNav достигает новых передовых результатов на основных эталонах навигации. Модель демонстрирует благоприятное масштабирование от 2 до 8 миллиардов параметров, при этом совместное многозадачное обучение развивает общую основу пространственного планирования, которая переносится между семействами задач, и показывает сильное нулевое обобщение на реальных роботах в разнообразных средах.

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.