这三大基础模型分别将语言与不同类型的物理动作对齐。其中，Qwen-RobotNav通过可控观测编码和工具接口，把视觉语言能力接入移动控制，统一了指令跟随、点/目标导航、目标追踪和自动驾驶四类任务。

Qwen-RobotManip 通过规范状态-动作空间和相机坐标系下的末端执行器增量位姿，把视觉语言能力接入操作控制，基于完全由开源数据构建的38,100 小时语料库实现了大规模多机型训练

Qwen-RobotWorld 通过自然语言动作接口，把视觉语言能力接入世界动态预测，让同一个世界模型能够跨操作、驾驶和导航场景预测符合物理规律的未来。

三个模型均采用语言优先接口，可与通用大模型组合成物理智能体系统。Qwen 已展示从语言理解到复杂物理任务执行的闭环，包括实时任务分解与自主纠错。