WAIC机器人搭长城积木火爆展区，这才是VLA+WM的最佳用法

来源：市场资讯

（来源：机器之心）

距离 2026 世界人工智能大会（WAIC）正式开幕还有不到 1 个小时的时间。

一项机器人拼搭长城的展示火爆全网。从彩排现场的照片来看，围观者已经里三层外三层。原力灵机联合阶跃星辰，用 6 台机器人挑战 15 小时连续作业，搭建完成一座包含超 8 万个零件的长城模型 —— 最小组件不到 1 厘米宽，成品长 3.5 米、宽 1.5 米、高 1.1 米。其中 4 台桌面机器人负责精细零件的拼装，2 台轮式机器人 Apex 负责将拼装完成的组件运输、组装。

这不是一次单纯的 "炫技"。支撑这 15 小时连续作业的，是原力灵机同期发布的通用基础模型 DM0.5，以及为其提供强化学习闭环的世界模型 DW0.5。二者的组合，指向同一个命题：具身智能的下一步突破，不在于把单一模型参数堆得更高，而在于让 "基础模型" 与 "后训练范式" 形成合力，让结果说话。

It works，比任何榜单都重要。

亚毫米级精细操作，全面泛化的基础模型 DM0.5

在精细零件拼装中，机器人需要在 0.1–1 毫米尺度内完成精准、稳定、可控的动作，远超人手的生理极限（自然抖动约 0.3–1 毫米）。支撑这一精度的核心是高精度感知、精密驱动与自主执行的组合，实现 "稳、准、微"。与此同时，模型展现出很强的泛化能力，能针对不同组件调整动作，并在出错时自主恢复。

DM0.5 在大规模高质量数据与模型架构上实现了全面升级，标志着系统能力从传统的 "执行固定指令、单次动作重复"，跃升为 "理解意图、多维连续泛化、长时可靠运行"。

相比上一代 DM0，DM0.5 在三个方向上做了结构性改造：

历史信息融合。此前的模型只依赖当前帧做决策，DM0.5 引入历史关键帧，为模型提供长达 1 分钟的任务进程记忆，同时保留了历史信息缺失时退化到当前观测策略的能力，避免 "记忆" 变成负担。

具身推理任务扩展。DM0.5 在机器人数据中引入 11 种自回归任务，把训练监督从单一的动作预测，扩展为指令理解、时序推理与动作生成的联合监督，直接提升长程任务中的指令遵循能力和动作连贯性。

动态轨迹对齐。针对机器人数据采集节奏不一致的问题，DM0.5 通过动态规划将预测动作与真实轨迹做单调递增匹配，让模型学习任务规律本身，而非采集节奏 —— 抓取、放置等核心动作的生成因此更平滑、更鲁棒。

在推理侧，DM0.5 以 Action Chunk 为单位执行，默认 10 步 Flow Matching 生成 50 步动作块，优化后单卡 4090 上可达 10Hz，单卡 H100 上可达 20Hz。

DM0.5 在多个榜单上取得领先：在 RoboChallenge Table30 V2 真机评测中取得 43% 的整体成功率、54.42 的综合得分，达到 SOTA 表现；在 LIBERO 仿真基准上平均得分 99.0，超过 π0.5、GR00T N1.7 等主流基线；在双臂协同基准 RoboTwin2.0 上以 93.5 分显著领先；在导航基准 R2R 与 RxR 的 Val-Unseen 设置下，DM0.5-Nav 在成功率、SPL 等关键指标上同样排名第一。这些数字背后，是同一套模型在操作、导航、记忆型任务上的一致表现 —— 这正是长城搭建这类长程、高精度任务能够跑通的前提。

模型学会 "寸劲儿"，世界模型驱动的后训练流程

在实际拼装过程中，积木工艺的精度带来了拼装不成功的问题。为此，团队使用 DFOL2.0 后训练闭环框架，并引入世界模型 DW0.5，大幅提升了后训练效果 —— 模型在执行中模仿人类操作的 "寸劲儿"，避免了按压错位的问题。

模型学会“寸劲儿”

模型自我纠错

如果说 DM0.5 解决的是 "模型能不能做对"，DW0.5 要回答的则是另一个问题：具身模型的后训练闭环该怎么跑通。

Code Agent 之所以进步神速，核心原因是代码可以自我验证 —— 写完就能跑，跑完就知道对错，失败轨迹能直接沉淀为训练信号。具身智能长期缺的正是这样一套闭环基础设施：真机 rollout 成本高、难规模化；人工反馈慢、标注成本高；传统仿真又存在难以回避的 sim-real gap，透明反光、柔性形变、真实接触噪声都很难还原。

原力灵机给出的解法，是把 DW0.5 变成 VLA 后训练中的 "Learned Environment"：VLA 基于当前观察采样候选动作，DW0.5 生成对应的未来视觉 rollout，Value Expert 对候选轨迹给出成功概率与价值评分，训练系统据此做策略筛选或直接进行强化学习后训练，再用少量真机 rollout 持续校准世界模型。真实机器人是这套飞轮的起点，而非唯一训练场。

要让世界模型真正进入训练闭环，而不只是 "生成得像"，DW0.5 在三处做了关键取舍：

动作是强先验，而非软提示。常见做法把动作离散化成 token 塞进语言空间，约束力有限。DW0.5 在 Mixture of Tokens 注意力结构中，用 group-diagonal attention mask 做帧级绑定 —— 第 i 帧视频只能 attend 对应的第 i 组动作，从计算路径上就切断了视频帧与非对应动作之间的信息通路。

既模拟成功，也模拟失败。若训练数据只有专家成功轨迹，模型会形成过强的成功先验，本质上退化为视频生成器而非仿真器。DW0.5 的数据体系覆盖具身公开数据、自采数据、互联网视频、第一视角人类活动数据，以及真机与仿真结合的 rollout，同时包含成功与失败案例，并引入 RoboChallenge 的真实成败数据 —— 这是强化学习能够优化 reward 的前提。

Value Expert 把未来变成可训练的反馈。机器人任务的 reward 天然稀疏，Value Expert 对候选轨迹给出成功概率评分，把稀疏的结果信号变成每一步可用的密集反馈。

三项设计叠加的结果，反映在评测数据上：DW0.5 在 EWMBench 上以 4.66 分排名第一，在 WorldArena 上以 73.54 分排名第一，在直接评估动作策略能力的 RoboTwin2.0 上取得 93.3 分，同样是 SOTA—— 生成质量、交互动态建模、策略执行能力三项指标同时领先，说明 DW0.5 不只是 "生成得像"，也具备稳定的动作输出能力。

DM0.5+DW0.5，更强的应用模型

整体来看，DM0.5 作为基础策略模型，DW0.5 负责动作后果预演与价值反馈，RL 将两者链接。

基座模型 DM0.5 先生成一批初始动作，推给世界模型 DW0.5
—→DW0.5 当仿真器，在虚拟环境里把这些动作会导向的未来 “跑” 出来，批量生成成功和失败的轨迹
—→再由一个强化学习教练员 CFG-RL，给每条轨迹的任务进度打分（成功的价值一路走高，失败的价值断崖下跌）
—→打分和奖励实时回传，更新模型权重，喂出一个更强的 DM0.5
这个循环里大部分数据由 DW0.5 在线生成，不用全部靠真机翻来覆去高成本地去试。

从具身原生出发，目标定义问题，而不是技术定义目标

过去一年，具身世界模型是被反复讨论的方向，但多数工作的落点是 "生成得像不像"—— 更真实的画面、更长的时序一致性、更高的评测分数，回答的是评价问题，而非训练问题。原力灵机的出发点不同：核心问题始终是具身模型怎么真正走进场景，世界模型只是解决这个问题的其中一种手段。

这个顺序上的差异，决定了 DW0.5 从一开始就被设计成 "训练环境" 而非 "生成模块"，也决定了 DM0.5 的三项架构改造全部指向长程任务的稳定执行，而非单点能力的刷榜。长城模型的 15 小时连续搭建，某种意义上正是这套 "结果导向" 方法论的一次压力测试 ——8 万多个零件、不到 1 厘米的最小组件精度、长达 15 小时的连续作业，任何一个环节的记忆丢失或动作漂移都会导致累积误差。而 DM0.5+DW0.5 组合下的最终交付结果，验证的不是某一项单一指标，而是基础模型与后训练范式协同之后，系统在真实落地中更强的模型优势。

模型开源地址：

• DM0.5

• GitHub：https://github.com/dexmal/opendm

• Hugging Face：https://huggingface.co/Dexmal/DM05

• DW0.5

• GitHub：https://github.com/dexmal/opendw

• Hugging Face：https://huggingface.co/Dexmal/DW05-Base