Qwen-RobotWorld 技术报告：以语言条件视频生成统一具身世界建模
[Daily Paper] Qwen-RobotWorld Technical Report: Unifying Embodied World Modeling through Language-Conditioned Video Generation
AI summary
Qwen-RobotWorld 技术报告提出语言条件视频世界模型，以自然语言作为统一动作接口来统一具身世界建模。模型为 60 层、200 亿参数的双流 MMDiT，用冻结的 Qwen2.5-VL（7B）解析语言指令、Wan-VAE 处理视频隐表示，训练语料为 860 万视频-文本对（超 2 亿帧）的 EWK 数据集。其定位是无风险仿真底座，用于合成数据生成、策略闭环评测与安全红队测试。