Zero-Shot提升31%！原力灵机DM0.5登场，15万小时数据喂出

衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

具身智能这个行业里吧，几乎没什么共识。

不过有一点大家共同认可：数据飞轮转不起来，是行业最大的阻碍之一。

如果遵循Scaling Law，具身智能同样需要更大的数据规模、更高质量的数据闭环，以及更强的算力。

算力问题的解决路径相对清晰；但数据这边，想追求百万小时级的数据，靠纯人工采集真的很费时费力，咱真的等不起。

要求严一点，要数据又多又具备真实任务价值，用脚后跟想想都知道更更更更难了。

比较理想的状态就是把采具身数据这件事，从被动“采集型数据”，变成真实业务里持续产生的“场景型数据”，以此推动和加速数据飞轮转起来。

这方面具身智能明星创业公司原力灵机做得有点说法，挺有代表性。

其核心创始团队出自旷视科技，具备大规模AI模型训练、机器人落地和高可靠硬件量产经验；公司最近又和物流机器人公司Atomix完成合并，补上了真实场景侧的关键拼图。

经验和场景在手肯定也不能说稳赢，毕竟如果把一个半吊子模型扔到场景里，它也吃不进or消化不好数据。

今天的原力灵机开发者大会上，这家公司就把新一代具身基础模型DM0.5端上了桌。

往前，它能接住数据飞轮；往后，它连着开发者平台与真实场景，可以说是后续一切落地动作的底座。

15万小时数据，DM0.5的硬核底座

原力灵机给DM0.5赋予的关键词是“更大、更强、更实用”。

它被定位为“面向开放世界的通用具身基础模型”，参数规模为4B，相比上一代DM0参数规模翻倍。

相比上一代基础模型，DM0.5的数据量则增加了400%。

这些数据由三类高质量数据共同构成。

第一类是真机数据。

DM0.5使用了5万小时高精度操作数据，覆盖100多种丰富动作，并实现秒级精细指令动作对齐。

这类数据主要负责解决机器人如何在真实物理世界里完成操作的相关问题。

第二类是Egocentric数据，也就是第一视角数据。

10万小时Ego数据，让模型能够从类似人类视角理解环境，并支持毫米级高精度3D Landmark生成。

第三类是场景重建数据。

团队通过100万平方米空间数据建模复杂室内环境，帮助模型降低Sim2Real Gap（仿真环境和现实世界之间的差距）。

高质量数据之外，DM0.5还在模型架构上做了三项关键创新。

1、上下文抽象层

现实场景里具身智能面对的任务，多是数分钟甚至更久的长周期作业，必须加强对前序步骤和状态的记忆。

经过高效上下文压缩，DM0.5原生支持最长60秒记忆能力（平均水平在30秒上下）。

模型能更精准地提取并保留关键的历史上下文，理解更长时间范围内发生的动作和环境变化，减少在长周期连贯作业中的断片情况。

2、具身思维链任务

原力灵机的具身模型主要走的还是VLA路线，但VLA模型其实更多关注视觉输入到动作输出之间的映射，在理解和执行能力上目前的技术还是差点意思，遇到复杂场景容易盲目试错甚至卡壳。

DM0.5引入了任务规划、目标定位、未来状态预测等推理任务，让模型学到“先谋后动”这一招。

面对复杂指令时，它会在内部将大目标拆解为多个子任务，规划好先后顺序与动作逻辑再下手，大幅降低无效动作和失败率。

3、轨迹对齐层

理想中的状态是咱们用嘴说句话支使机器人干活，但从它听到话到机械臂各个关节毫米级转动，中间的鸿沟也就比马里亚纳海沟浅一点点。

轨迹对齐层在模型中起到专八级别的翻译官式的作用，让动作学习从传统“对点”走向“对齐”，帮助模型理解运动过程中的规律。

以上提到的数据和架构上的升级，都服务于让机器人从“记住动作”走向“理解任务”——这也是为什么原力灵机把DM0.5称为面向开放世界的通用具身基础模型。

在这套数据规模与架构创新双重加持的底座支撑下，DM0.5展现出了亮眼的性能优势。

在真机与仿真的四大公开评测中，DM0.5全面超越当前SOTA。

仅凭单个模型，DM0.5就能同时支持导航、抓取、全身控制等任务。

相比上一代DM0，其Zero-Shot导航成功率大幅提升31%，Few-shot成功率提升45%，而经过微调后的任务成功率也提升了20%。

不仅准，而且快。

评测结果显示，DM0.5的推理效率整体提升了25%，在H100平台上推理延迟低至50ms。

即便在消费级显卡4090上，推理延迟也仅为90ms。

泛化涌现与成本普惠，DM0.5这样定义“好用”

原力灵机联合创始人兼CEO唐文斌说，今年以来，具身领域发了很多很多模型，“但大家真能保证自己是好用的吗？”

DM0.5确实会比现有的开源的（具身基础模型）更好用。

他用两条标准，来衡量一个具身基础模型好用与否。

• 第一，基础模型的Zero-shot泛化能力如何？这决定了模型能力的上限。
• 第二，后训练效率如何？这关乎模型能力走向产业落地的速度。

先看后训练效率。

官方表示，后训练效率上DM0.5实现了断代式的普惠。

其微调成本下降60%，如今仅需要一块4090消费级显卡，最快18小时即可完成一个全新下游任务的专家级微调部署。

更关键的变化在于泛化能力的提升。

原力灵机主张“拒绝用任务表演冒充世界”。如前文所述，DM0.5追求让模型理解对象、场景、任务、机型和自然语言指令之间的关系。

开发者大会上，原力灵机联合创始人、CTO周而进明确表示已经从DM0.5身上看到了泛化涌现。

具体从五个方面来看。

1、Zero-Shot

Zero-Shot能力展示的是模型“没见过也能干”的水平。

团队用搭载DM0.5的Franka单臂与Dexmal-Mint，实测了Pick（抓）、Put（放）、Cover（覆盖）、Rotate（旋转）、Push（推）、Pull（拉）、Wipe（擦）、Stack（堆叠）8项核心原子动作，以及复杂的指令遵循（如颜色、形状、大小、状态、绝对/相对位置、长序列指令系列等）。

评测结果显示，仅在Franka单臂上的Move这项能力上，DM0.5与PI 0.5的成功率不分伯仲。

其余测试项目，DM0.5与前代模型DM0和PI 0.5相比均以较大优势胜出。

2、Fine-tuning

Fine-tuning能力展示的是模型“进场后更会干”的水平。

在面向真实工业与生活场景的RoboChallenge真机评测（Table30 V2）上，经过30个复杂任务、4种异构机型的检验，DM0.5最终总得分54.42，成功率43%，位列第一。

在抓取与导航等多项行业公认的评测集上，DM0.5均刷新历史最佳纪录。

其中，该模型在LIBERO综合表现达99.1%（Clean场景94.1% / Random场景94.4%）。

通过极致优化算法，DM0.5如今仅需一块4090消费级显卡，即可在18小时内完成一个全新下游任务的专家级微调训练。

BTW，在推理侧，用4090卡响应仅需90ms，H100则达到了50ms。

3、原生记忆

DM0.5原生支持最长60秒长时记忆（而目前普遍的具身模型记忆不超过10秒）。

这意味着机器人可以处理更长程、多步骤任务。

也让机器人在处理长程、多步骤的杂乱环境收纳时，保持时序逻辑连续不中断。

而且DM0.5解锁了视频示教（Video Prompt）。

基于长记忆特性，DM0.5模型可以直接跨越语言限制，理解人类演示的视频片段，实现“看完人类示教视频后，即时对齐并跟随完成复杂任务”的直觉化交互。

4、抗干扰

DM0.5采用双系统架构，Sys2负责高层理解、推理和规划，负责深思熟虑；Sys1负责高频动作响应。

实际运行中，模型专门针对以下两类具身模型世界高频的长尾干扰做了深度强化。

一个是相机扰动，另一个是人类动作干扰。

• 相机扰动：在外部视点骤变、相机视角剧烈变化下，仍能保持绝对稳定的任务执行力。
• 人类动作干扰：任务过程中突遭人类动作强行打断，机器人仍能精准理解当前所处的实际状态，并自适应修正后续动作。

5、多本体支持

训练阶段DM0.5就采用了多机型与多任务一体化融合训练方式，所以天然具备跨平台迁移能力。

原力灵机介绍，DM0.5轻松适配包含双足人形、轮式、双臂/单臂机械臂及灵巧手在内的各类主流及异构机型。

包括但不限于Aloha、ARX、UR、W1、宇树G1、天工、华勤、睿尔曼balabalabala～

面对新未知机型，也能超快速完成轻量化部署。

周而进感慨：

去年具身模型没有泛化能力。
今天完全不一样了。随便拉来一台机器，模型往上一跑，你就能对它说话下指令。

泛化能力，让具身机器人不再只是在固定环境里执行固定动作。

它们开始理解新的对象、新的环境和新的任务……人和机器人交互的方式也会随之变化。

光靠模型，走不完能力落地场景的最后100米

不过，具身基础模型要进入产业现场，不能只靠模型本身。

打个比方，单级火箭达不到第一宇宙速度7.9km/s，必须要二、三级火箭接力加速，最终将飞行器送入预定轨道。

围绕DM0.5，原力灵机同步发布了“第二级火箭”DexDev开发者平台（含DFOL2.0、MaaS、DexOS），和“第三级火箭”Ferrata。

这些组合成落地基础设施，确保模型能被低成本调用、跨硬件稳定运行并持续跑在场景中。

一、开发者平台DexDev

开发者平台DexDev用来解决模型应用复杂问题。

具身智能赛道太早期，大家各做各的，一般来讲模型、硬件、任务、数据、部署环境彼此割裂。

你真的很难要求开发者既要懂算法，又要懂机器人控制，还能游刃有余地处理场景适配和后续迭代问题。

DexDev用了三个模块的能力来服务和支持开发者。

1、世界模型驱动的框架DFOL2.0

DFOL2.0是一个由通用世界模型（原力灵机推出的DW0.5）驱动的具身强化学习与数据闭环框架，负责让模型持续变强。

它利用高保真的虚拟物理环境完成低成本、低风险的闭环策略训练以替代高昂的真机试错，同时将真实场景中的作业与失败数据持续回流至云端，实现基础模型的自主迭代与持续进化。

实验证明，它让真机训练数据需求下降60%，训练成本降低40%。

2、具身通用操作系统DexOS

通过定义标准化的ECP（具身控制协议）接口，DexOS屏蔽底层异构硬件的执行差异，将大模型与各类机器人本体之间复杂的“N×M”适配难题降维成“N+1”的统一对接，从而确保DM系列模型能低成本、低延迟地跨硬件稳定部署与实时控制。

3、行业首个具身MaaS服务

原力灵机还推出了行业首个具身通用MaaS服务。

它将DM系列基础模型模型能力做成一站式服务，开发者不用从零训练模型、不用啃硬件适配就能一键式开发、直接调用泛化能力完成机型部署与升级。

DFOL2.0让模型持续变强，DexOS让软硬件持续打通，MaaS让能力持续被规模化调用，三者合力，解决具身智能要素碎片化、缺统一基础设施的行业痛点。

二、多智能体混合作业系统Ferrata

当单机能力通过MaaS实现规模化调用后，如何让多台机器人高效协同作业，成为具身智能落地真实场景的下一个关键挑战。

为此，原力灵机推出了多智能体混合作业系统Ferrata，旨在解决多目标、多模型、多硬件之间的系统级调度问题。

Ferrata依托DM系列模型与Realtime-VLA构建，是面向真实场景的多智能体混合作业系统。

它并不针对某一款单独机器人，而是在目标、模型、多形态硬件和安全边界之间建立一套系统级调度机制。

通过任务分级、异常处理、人工接管和数据回流，Ferrata让机器人在真实环境中持续运行。

从DM0.5基础模型，到DexDev开发者平台，再到Ferrata场景作业系统，这些基础设施共同打造了具身智能从模型走向生产力的“三级火箭”。

第一级是泛化的通用模型，第二级是系统化、平台化的能力（后训练、MaaS、OS），第三级是体系化的场景解决方案能力。

三级接力，全面打通、协同演进，用一套完整的系统工程，让具身智能从实验室朝产业现场再行驶亿点点。

今天的具身智能领域，并不缺顶尖的人才，不缺海量的数据，更不缺设计精密的硬件。

如果再多一些对物理世界的敬畏心，这个赛道应该能发展得更扎实更好。

具身智能要想真正跨越属于自己的“ChatGPT时刻”，能靠得住的还是愿意长期扎根的耐心，是脚踏实地把每一个粗糙、复杂的场景死磕到底的坚持。

“持续打造极致的产品，穿越具身智能的技术周期与产业周期。”原力灵机说，这就是它的锚点。