DM0.5、DexDev、Ferrata齐发：原力灵机能否用全栈打法跑通具身智能商业化新模式？

7月9日，原力灵机于Action 2026开发者大会推出三款核心产品：具身基础模型DM0.5、通用机器人本体Apex，以及一站式开发者平台。这家成立一年零三个月的公司，正以软硬件一体化打法证明一件事：具身智能赛道的竞争，本质是全栈综合能力的系统性比拼。

本次发布会亮出多项硬核产品指标。DM0.5依托15万小时真实数据训练，参数规模达4B，在RoboChallenge真机实测中以42%任务成功率、60.1综合总分登顶榜单；通用机器人Apex面向工业场景打造，设计平均无故障工作时长（MTBF）突破1000小时，支持30秒极速换电；配套开发者平台整合DFOL2.0世界模型驱动后训练工作流、DexOS具身通用操作系统与MaaS模型服务，可将模型整体训练成本降低40%。

原力灵机瞄准行业现存核心痛点：国内硬件供给、落地场景资源充足，但缺少统一标准打通产业链。当下各类硬件、算法、应用场景相互割裂，数据难以跨机型、跨任务复用，行业碎片化问题显著。在原力灵机看来，打造通用化技术底座，是破除行业割裂、实现规模化落地的核心路径。

01.

泛化能力如何突破数据质量瓶颈？

DM0.5的核心优势在于泛化。Zero-shot和Few-shot能力提升超30%，意味着模型在未经特定任务训练的情况下，也能完成开放世界中的未知任务。

联合创始人、CTO周而进对泛化有明确定义：“DM0.5核心关键词是面向开放世界，我们把泛化拆解为五大维度：未见过操作对象、陌生场景、多任务组合、跨机型执行、自然语言指令理解。”他强调，过去大部分VLA模型只能完成定点固定Demo，换场景、换物体直接失效，本质是死记硬背训练数据，不具备真实泛化。

DM0.5的训练数据15万小时，其中5万小时真机采集、10万小时第一视角人操作数据，全部毫米级3D关键点标注。周而进指出行业误区：“只要数据足够就能实现泛化，这个观点不完备。第一数据质量必须达标，垃圾数据只会干扰训练；第二具身模型架构尚未收敛，缺少记忆、推理、轨迹对齐等核心模块，再多数据也无法产生泛化能力。泛化是系统工程，高质量数据、原生模型架构、长记忆、推理能力缺一不可。"

技术路径上，DM0.5采用了几个关键设计。“具身思维链任务”通过11项推理任务驱动模型对“指令+本体+环境”进行三方联合建模，包括目标对象定位、子任务预测、反事实任务规划等。轨迹对齐层用约束动态规划解决动作轨迹不一致问题，让动作监督从“对点”走向“对齐”。多本体融合训练让模型天然具备跨平台迁移能力，可以适配双足人形、轮式、双臂/单臂机械臂等不同构型。

长记忆是DM0.5的突破性能力。周而进透露：“上一代DM0完全没有记忆能力，只能单帧瞬时判断；行业主流开源模型记忆仅5秒左右，我们从预训练阶段原生支持最长60秒上下文记忆，平均任务稳定支撑30秒记忆。”他解释，没有长记忆，机器人无法完成多步骤连贯任务，记不住物品原始位置、多轮指令，复杂作业完全无法落地。

从技术细节看，DM0.5引入了双系统大脑架构。更强的Zero-shot能力负责理解和大局预判，动作专家网络负责长程复杂任务的高频响应。在RoboChallenge真机评测的30个任务、4种机型测试中，模型在抓取、放置、覆盖、旋转、推、拉、擦拭、堆叠这8项核心原子动作上取得了跨越式的成功率提升。

关于真泛化的判断标准，周而进认为：“真正ZeroShot定义：不需要针对场景、物体额外采集数据、微调训练，调用模型直接下发指令即可执行；但凡需要补充数据、二次训练，都不属于零样本能力。本次MaaS对外开放API，任何人可自由下发任意指令测试零样本，敢于公开测试是我们对泛化能力的自信。"

15万小时的训练数据在行业里处于什么位置？原力灵机的判断是，行业正处于从10万小时向年底100万小时跨越的关键阶段。但他们认为，100万小时数据不能靠“采集”堆出来，必须去场景里“拿”。只有模型能力足够强，进场景才能产生有效数据；只有开发集成足够简单，才能在不同场景快速部署；只有支持全时连续作业，数据回流才能形成飞轮。

02.

Apex本体如何平衡通用性与工业可靠性？

Apex的定位体现了原力灵机对商业化路径的理解：不追求极致灵巧或拟人化，而是在通用性和可靠性之间找到平衡点。

硬件负责人张绍政解释设计初衷：“我们晚于模型研发再做本体，核心目标是打造具身原生硬件，解决行业普遍痛点：模型算法能力被硬件本体限制，模型能完成复杂操作，但硬件负载、活动范围、精度跟不上导致任务失败。”

Apex采用积木式模块化架构，机械臂总长1米，可覆盖2米×2米全域作业空间，单臂最大负载2公斤，单次抓取动作耗时不足0.4秒，臂端定位精度达亚毫米级。底盘搭载高精度行走模块，可在1米宽狭窄通道内原地转向，支持厘米级精准停靠、毫米级细微步距调节；整机全身同步控制技术打通底盘与上身运动壁垒，保障高负载、高节拍工况下动作平稳连贯。

工业级连续稳定运行是Apex的核心竞争优势。张绍政表示：“市面上多数机器人连续工作数小时就会因发热停机，设备维修周期长、产线损耗大；Apex面向7×24小时不间断工业作业打造，现已完成超1000小时无间断稳定性测试，可长期带电持续运转。”

30秒极速换电方案，充分贴合一线工业场景的实操需求。设备换电过程中主控大脑持续在线热备，无需重新初始化、不会中断正在执行的任务，实现业务流程无缝衔接；在无外接供电的作业环境中，换电全程主控不断电、任务不中断，最大化保障生产连续性。

从商业闭环来看，Apex既是释放DM0.5模型全部能力的硬件载体，也是企业数据飞轮运转的关键一环。原力灵机希望通过这款产品验证核心逻辑：通用机器人完全可以达到工业级稳定标准，通用化设计无需牺牲设备稳健性。只有硬件本体能够在真实场景中长期稳定作业，才能持续产出高质量真实数据，反向迭代优化基础模型。

03.

开发者工具如何解决N×M适配难题？

DFOL2.0世界模型驱动后训练工作流、DexOS机器人操作系统、MaaS模型服务组成的全套开发三件套，核心用于解决行业工程落地与规模化量产难题。

唐文斌点出行业长期存在的N×M适配困境：市面上有N款模型、M类机器人本体，任意一组组合都要单独开发大量适配代码，落地成本居高不下。为此团队推出对标手机安卓体系的DexOS机器人操作系统，并配套开源ECP（Embodied Control Platform）具身控制协议。

ECP协议的核心价值在于建立统一行业标准。唐文斌解释道：ECP对全部传感器、执行器的输入输出做标准化定义，将实体机器人抽象为统一数字接口。模型厂商、硬件厂商只需各自适配一套ECP标准，各类模型与双臂机器人就能快速互通，原本繁复的N×M多对多匹配，简化为单一标准对接。团队并非要打造ROS替代方案，而是搭建一套专门衔接模型与硬件的抽象中间层。

商业化负责人范浩强清晰地划分了DexOS两侧的权责边界：机器人操作系统主要承担硬件资源统一调度、实体硬件能力抽象两大职能。依托ECP协议，软硬件分工明确：模型端负责语义理解、任务规划、长记忆存储、故障纠错与多步骤推理；硬件端负责运动平滑控制、碰撞防护、过载保护以及底层伺服执行。

作为行业首款面向具身场景的通用操作系统，DexOS打通软硬件底层链路，从根源解决适配难题。不同机型本体、执行器、传感器均可基于同一标准协同工作，无需更换设备后重复开发适配程序。

DFOL2.0的核心创新，是以DW0.5世界模型作为高保真仿真环境，将强化学习训练迁移至虚拟场景。联合创始人汪天才介绍了整套闭环流程：VLA基础模型输出动作序列，送入DW0.5世界模型生成多帧未来画面与任务成败样本，自动计算奖励值完成强化学习迭代，同步更新DM0.5基础模型权重。依托这套框架，真机训练所需数据量减少60%，端到端整体训练成本降低40%。

整套系统底层依托DM0.5基础模型、DW0.5世界模型与CFG-RL世界模型强化教练员，搭建完整数据闭环飞轮：基础模型输出初始动作策略，世界模型完成高保真轨迹预测，强化学习模块基于预测轨迹评估价值、输出精准打分。

DW0.5现已拿下WorldArena、EWM Bench两大权威榜单SOTA第一名。汪天才表示，世界模型与VLA架构不存在互相替代的关系，二者最终会融合为一体化大模型；团队不会刻意标榜单一技术路线，所有研发均围绕落地痛点展开。现阶段行业最大难题是真机后训练成本过高，因此团队优先基于世界模型搭建仿真强化学习闭环。

MaaS是业内首款具身通用模型服务。范浩强对此给出明确判断：MaaS是具身智能产业化的标志性产物，逻辑对标通用大模型开放API。过去行业鲜有企业推出同类服务，核心原因是厂商对模型零样本泛化能力缺乏底气，开放API后，用户可无限制测试模型，生成的数据永久留存、无法撤回；原力灵机推出MaaS，正是基于对DM0.5基础模型性能的充足信心。

MaaS打破传统高昂的软硬件定制成本，采用更符合互联网与云计算趋势的按量计费模式，1 rmb/million token。定制模型:1rmb/milliontoken+GPU时长占用费。

唐文斌对行业未来商业模式给出清晰预判：机器人行业将形成多元混合业态，逻辑类似智能汽车产业——客户采购硬件本体，同时订阅MaaS模型服务，硬件销售、RaaS机器人服务、MaaS模型服务三种模式将长期并行发展。

04.

原力灵机与Atomix合并的底层逻辑是什么？

原力灵机宣布与Atomix物流机器人完成合并，这一布局的核心，是企业对数据飞轮迭代逻辑的深度考量。

唐文斌阐释了本次合并的底层逻辑：此次整合的核心诉求，是加速基础模型迭代，而数据飞轮是关键支撑。想要让具身机器人大规模落地实操，必须依托清晰、成熟的线下场景；仅依靠通用人形本体，很难直接适配真实产线，物流场景恰好是最优落地载体。

物流拣选、货物搬运具备标准化、人力密集的特点，可为机器人提供稳定持续的作业环境，源源不断回流真实数据，持续驱动模型优化。但现阶段机器人能力尚未完全成熟，如何平稳落地商用场景？原力灵机给出的解决方案是Ferrata多智能体混合作业系统。

唐文斌进一步拆解Ferrata体系设计思路：整套方案核心遵循双层兜底机制，在可控、受保护的环境中放开机器人自主作业，同时预留人力保障环节。第一层兜底为远程遥操介入，机器人出现执行障碍时可远程接管；第二层为全流程人工兜底，机器人无法完成的复杂任务直接转接人工，双重保障作业不间断。

分层作业体系划分三级处理流程：Level1采用低成本简易机器人处理吸附类简单物料；复杂抓取、异形货品交由搭载DM系列基础模型的双臂具身机器人处理；超出机器人处理能力的任务，则流转人工完成。唐文斌表示，一套方案想要实现规模化商用，必须同时打通完整业务流程与正向成本收益模型，目前企业已与多家大型零售商、服装品牌达成落地合作。他同时提到，当前行业整体技术水平仅相当于ChatGPT 2.0阶段，距离完全自主通用还有不小差距，行业发展必须立足真实场景务实迭代。

Ferrata分层体系一方面有效压低整体硬件投入成本，保障仓库落地具备正向投资回报；另一方面，完整商业闭环持续运转后，能够稳定采集海量真实场景数据，持续驱动模型迭代，形成正向循环的数据飞轮。

05.

全栈策略能否建立数据飞轮？

这解释了为什么原力灵机要同时做模型、本体和平台。单纯的模型公司难以获取场景数据，单纯的硬件公司难以实现泛化能力，而碎片化的工具链让每次部署都需要重复适配。

原力灵机的策略是全栈打法：模型、本体、平台一起做。这种策略的合理性在于，具身智能确实需要软硬件深度协同，单点突破难以形成商业闭环。

算力投入是全栈能力的基础。唐文斌透露：“现在整个行业极度缺算力，B300服务器价格三个月翻三倍，成本夸张。我们算力投入是小几个亿，算力没有花过亿的企业，基本不具备训大模型的能力。”同时，原力灵机云端训练同时支持英伟达与国产算力，本体端芯片目前用Thor芯片，同步和爱芯元智合作，完成国产芯片控制器适配。

从生态建设看，原力灵机已经有一些基础。Dexbot框架已服务清华、北大、普林斯顿、帝国理工等院校，以及阿里、腾讯等企业，超千位研发者。RoboChallenge评测平台与HuggingFace联合发起，吸引近20家品牌参与，服务超7万次真机测试。DW0.5和DFOL2.0已开源，DM0.5计划7月9日前在GitHub和HuggingFace发布。

范浩强透露：“当前开发者对具身模型需求量级巨大，模型相关工具包下载量几十万次；本次发布会联合多家国产算力厂商配套MaaS在线训练算力，解决行业一卡难求、训练算力成本高昂的痛点。”

这些动作指向一个策略：通过开源和平台聚拢开发者，用生态扩大数据和场景覆盖，再反哺模型和产品。数据飞轮的逻辑是：模型能力强→进场景产生有效数据→反哺模型变更强。

原力灵机成立不到一年就发布完整产品线，体现了团队的执行力，也反映出他们对窗口期的判断。具身智能正处于类似大模型2021-2022年的阶段——技术路径逐渐清晰，商业化模式正在形成。在这个阶段建立数据和场景优势，有可能在下一轮竞争中占据主动。

06.

结语与未来

从竞争格局看，具身智能赛道已经有多个玩家。国内有智元、星海图、星动纪元等公司，国外有Physical Intelligence、Figure AI等公司。原力灵机的差异化在于“具身原生”理念和全栈能力。

唐文斌对行业格局有清晰判断：“早年运控领域诞生桥介数物这类标准化铲子公司，但具身模型行业不会快速复刻这条路径。具身模型技术天花板极高，迭代永无止境，数据飞轮、全栈基建、高质量数据集会持续拉开头部企业差距，头部模型厂商优势会像雪球越滚越大，不会快速被本体厂商自研替代。"

原力灵机成立不到一年就发布完整产品线，唐文斌和范浩强的共识是：“当下具身行业距离ChatGPT成熟阶段仍有差距，当前处于行业早期发展阶段，必须兼顾技术研发与商业落地双线并行，单纯堆技术、只做实验室Demo无法长久生存。"

原力灵机的策略本质上是押注“通用”这个方向。如果具身智能最终像大模型一样，由通用基础模型加垂直应用构成产业格局，那么现在建立的模型、本体、平台能力就构成了长期竞争力。

唐文斌的判断是：“Benchmark分数只是必要不充分条件，一款模型好不好，核心判断标准是有没有大量开发者、本体厂商真实落地使用。很多同行跑分好看，但没人真正落地，纸面领先没有产业价值。本次发布会OS、ECP协议、世界模型都会开源，开源是检验真实技术实力最好的方式。"

这次发布会展示的DM0.5、Apex和三件套，构成了从模型到场景的完整闭环。物流场景作为首个规模化落地赛道，下半年全面落地POC，明年开启规模化批量部署。