没有全科优秀，具身模型别想进入百万小时

原力灵机登顶 RoboDojo：一个专门给机器人"卸妆"的考场。

作者丨齐铖湧

编辑丨董子博

最近的朋友圈，几乎被机器人运动会和 WRC 2026 上的各种视频刷屏了。

看多了机器人百米冲刺、跳远，再看各个展台叠衣服、冲咖啡，很容易得出一个结论：机器人时代来了。

然而，如果你不幸参与过这些演示背后动辄几千次的调试与过拟合，你就会清楚这里面的水有多深。

行业内管这种情况叫"Demo 滤镜"。滤镜有多厚？说实话，即使你积累了一些行业知识，在现场盯着看，你也未必分得清：这个演示到底是提前编好的动作，还是模型在实时驱动。

这些信息差，让具身行业多少有些鱼龙混杂。

好在，学术界还留着几面"照妖镜"，比如 RoboDojo。

01

一个不许摆拍的考场

这是一个来头不小的权威评测：由香港大学多媒体实验室牵头，联合 UC 伯克利、清华等全球近 20 所顶尖机构，背后是知名仿真基准 RoboTwin 的原班人马。它干的事用一句话概括：给全世界的机器人模型办一场统一高考。

其中，42 道题，考泛化、记忆、精细操作、长程执行、开放语义理解五个科目；另外还有18 道题，考场里摆着三种双臂机器人（ARX X5、Piper 等），灯光、复位流程、部署接口全部统一，评审双盲打分，既看结果也看过程。

翻译一下：不许自带考具，不许挑题，不许摆拍，仿真、真机分开考。

成绩单相当惨烈。截至今年 7 月，仿真榜上 30 多个参评模型里，不乏大家熟悉的 π0.5（Physical Intelligence）、英伟达 GR00T-N1.7、OpenVLA-OFT，全是这个赛道叫得上名号的选手，头部模型的平均成功率只有 8.80%，作为对比，人类专家是 76.03%。

真机榜更惨：头部模型总体成功率 12.8%，人类 100%。最难看的是开放语义任务，成功率只有 1.67%。

1.67% 是什么概念？考 60 次，蒙对 1 次。而同一个考场里的人类，满分。

所以这个榜单暴露的，不是哪家公司不行，而是一个行业级现实：现在的具身模型，绝大多数离落地还很远。

然而最近，RoboDojo 的一家中国具身头部公司：原力灵机。它的通用具身基础模型 DM0.5，以 24.90 的综合得分、19.34% 的平均成功率，双项第一，综合排名登顶。

02

分数之外，先看它干活的样子

从去年底开始，AI 科技评论判断一个具身模型的含金量时，就越来越关注榜单之外的东西，它干活的样子。

毕竟，分数是给人看的，活是给世界干的。

我们特地找到了 DM0.5 的 GitHub 仓库，结果看到了一些让人意外的细节。

先从一个测试视频开始。桌上随机摆着红、绿、蓝三块积木。给你三个杯子，从左到右把它们挨个盖住。等颜色全部遮住，再按红、绿、蓝的顺序，把杯子依次揭开。

听着像逗小孩的。没错，三四岁的小孩确实能轻松完成，顺便还会嫌你无聊。但让机器人来呢？很遗憾，绝大多数"具身大脑"都会当场露馅：不是颜色记错，就是步骤乱套。

因为现在的具身模型，大多和金鱼差不多：走一步，忘一步。

主流 VLA 模型做决策时，只看眼前这一帧，或者最近几帧画面。十秒内的短任务没问题，抓个杯子、按个按钮，靠本能反应够了。但真实世界的活儿几乎都是长程的：做一顿饭半小时，收拾一间屋子一小时，流水线一站一整天。没有记忆，机器人就永远只能活在 10 秒的 Demo 里。

这个"杯子盖积木"，正是 RoboDojo 里的一道真题，任务名叫 Cover Blocks，考的就是记忆。来看 DM0.5 的表现：

三个随机种子，DM0.5 全部 100% 通过。

注意，拿满分还有两个附加条件：杯子姿态全程有效，结束后物归原位。也就是说，它不是蒙对了一次开盖顺序，而是稳定走完"观察、记忆、按序执行、善始善终"的完整闭环。如果你是做具身算法的，就知道这个表现有多惊艳。

这个 100% 的含金量，放到榜单里更直观：Memory 维度，DM0.5 拿到 47.74 分、47.44% 的成功率；而全场第二名，只有 13.37 分、12.11%，得分差了 3 倍多，成功率接近 4 倍。

Memory一直是原力灵机的强项。PI的Mem具身记忆架构论文，就引用过原力灵机的MemoryVLA，肯定了其在具身记忆方向的探索。

近期旗舰π0.7论文再度引用该成果。π0.7作为全球泛化顶尖的机器人基础模型，架构基于PI的Mem框架，而MemoryVLA在“小脑记忆”路线的研究，为PI提供重要参考。两次引用，足以证明原力灵机在具身智能记忆领域的能力。而这次按榜单的五维综合评价，Memory 正是 DM0.5 拉开差距、最终登顶的关键科目。

03

治"金鱼病"，为什么这么难

可能有读者会问：既然记忆这么重要，为什么这么多公司不去攻克？

首先是贵。把几十秒的历史画面塞进模型，上下文一拉长，计算量暴涨，架构也得重新设计。多数团队的选择是先把短任务跑通，记忆以后再说。

这个剧情其实眼熟。大语言模型的进化史，几乎就是一部上下文长度的扩张史：从几千 token 到十几万、上百万，模型记得住的东西越多，能力就发生一次质变——从陪聊到读论文、写代码、当 Agent。上下文，就是语言模型的记忆。

而如果具身行业因为"贵"，一直解决不了大脑的记忆问题，那不管机器人是进工厂还是进家庭，都是个闯祸精。

DM0.5 为什么能把记忆做成杀手锏？我们翻了它的开源论文，找到了相关章节：

简单说，DM0.5 是把记忆从后面临时打的补丁，变成预训练阶段就长进去的原生能力。具体有三招：

第一招在架构。DM0.5 由 4B 的 VLM 多模态主干加 680M 的 Action Expert 组成，中间专门设了一个"上下文抽象层"：用高效的信息压缩，让 VLM 在预训练阶段就原生学习历史信息，原生支持最长 60 秒记忆，一套架构通吃可变长的时间窗口。

关键是"原生"两个字：不是把长历史硬塞进去硬算，而是让模型从小学会把历史压缩着用。

第二招在预训练。围绕历史上下文、具身推理、动作监督、数据质量做系统升级，让长程记忆、指令理解、动作连续性、抗干扰作为一个整体长出来，而不是东拼一块、西凑一块。

第三招在微调。针对下游任务的 SFT 里直接加入 20 秒历史观测，把预训练攒下的时序理解能力，真正迁移到考场任务上。

三招的回报，就是 Memory 维度那条接近 4 倍的分差。

04

只会背书，拿不了状元

不过按官方的说法，DM0.5 的登顶并非依赖某一项单点能力，而是预训练与针对性 SFT 共同带来的整体提升。我们在仓库里核对了一圈，确实如此。

LIBERO 综合成功率 99.0%；RoboTwin 2.0 简单和复杂场景分别是 93.6% 和 93.3%；VLA-Arena 三档难度下 89.0%、53.6%、44.1%；导航任务 R2R、RxR 的未见场景成功率 59.7% 和 65.5%，全面压过基线方法。

在另一项同样"魔鬼"的评测 RoboChallenge Table30 v2里，面对 ARX5、UR5、ALOHA、Dexmal-Mirror 四种不同构型的机器人、30 个复杂任务，DM0.5 以 43.0% 的整体成功率、54.42 的综合得分位列第一。

榜单看到这里，我们更好奇了：DM0.5 落到真刀真枪的活儿上，到底能不能打？

官方放出的实机演示里，有几段值得细看。

第一段是拼微型积木。最小组件宽度不到 1 厘米，抓取和扣合要在 0.1 到 1 毫米的尺度内完成，而人手的自然抖动极限差不多就是 0.3 到 1 毫米——这个活的精度要求，正好卡在人类手抖的误差带里。

DM0.5 控制下的机械臂有个很"人"的动作：先对准，再轻轻一震，抖着往下压，用一股"寸劲儿"把积木送进卡扣。

更神奇的是出错的时候。高强度连续作业中，难免有积木因角度偏差接错。它没有死板地继续拼，而是自主感知到了"拼装失败"：停顿大约半秒——那半秒很像人发现不对时的愣神——然后调整姿态、重新抓取、修正位置、再度按下。平均每台机器人 12 秒完成一次拼装，全天候无间断。

再比如削黄瓜和切黄瓜。

削黄瓜这类需要精细力控的柔性任务，靠的是通过关节电机的电流值实时感知作用力，对接触力做精确判断。

切黄瓜听着简单，但执行端是一双 58 个自由度的灵巧手：握刀、扶稳、下刀、控制力道。黄瓜是软的、会滚动、每根形状都不一样，这种柔性物体，靠写死轨迹的传统工业机器人根本碰不了，只能让底座模型实时感知、实时决策。DM0.5 加一层针对性后训练，就把 58 个自由度管了起来。

物流分拣则是另一个极端，考的不是细，是快。传送带上包裹堆叠、材质各异、姿态随机，DM0.5 不用预设脚本，纯靠实时视觉识别和决策，平均 3 秒分离一件，准确率超过 99%。

还有一段抗干扰测试，让人印象很深。机器人正在收拾桌面，人类中途强行把它推开、相机被猛晃，它的反应是：停下来看清楚，接着干——还记得刚才的东西收到哪了。

这背后就是前面说的原生 60 秒记忆：它能记住整整一分钟内自己做过的所有动作。

这个能力还有个顺手的衍生品：既然记得住长序列，它就能直接"看懂"人类的演示视频，看完跟着做。绕开语言，看视频上岗。

05

同一个考场，凭什么它分高

记忆是杀招，但一场五门课的考试，光靠一门赢不了。DM0.5 的基本盘，还有三样东西。

先说数据。具身智能和聊天机器人最大的区别是，语料没法从互联网上白嫖。网上有几万亿字的文本，但没有"机器人第一视角抓杯子"的数据，这玩意只能拿真机一小时一小时地采，又贵又慢。

原力灵机在数据上的家底有三大块：

真机数据：5 万小时高精度操作数据，做到秒级指令-动作对齐；

Egocentric 数据：10 万小时第一视角视频，能生成毫米级精度的 3D 空间标注；

场景重建数据：100 万平方米空间建模，把真实室内环境高精度数字化，让模型在仿真里训练时，看到的考场和真机考场尽可能一样。

毫米级高精度3D Landmark生成

Dexmal高精度场景重建数

高质量数据才能带来高质量智能。这套覆盖导航、抓取、全身控制三大任务、六类机器人本体的数据资产，把仿真与现实的鸿沟一寸一寸填平。

再说脑子。

团队内部有句话说得挺直白："没有语言能力的 VLA，就是数据集复读机。“如果模型只是把画面死记硬背地映射到动作，换个场景就废。DM0.5 加了一层"具身思维链”：动作生成之前，模型要先想清楚一串问题——目标物体在哪、上一步干了什么、这步该不该结束、不这么干会怎样（反事实推理）。11 项推理任务，逼模型真正理解指令、环境和自身的关系，而不是背答案。

最后是最硬核的一块：速度。

VLA 模型一直被一个问题卡着脖子：模型越大越聪明，但推理越慢。如果模型半秒才能给出一次动作指令，机器人就像喝了半斤白酒，眼睛看着杯子掉下去，手就是来不及。行业里的解法是"双系统"：慢系统想清楚，快系统手上快。Figure 的 Helix、英伟达的 GR00T 都走这条路，算是行业共识。

DM0.5 也是双系统：Sys2 负责理解指令、预判大局，Sys1 动作专家网络负责高频响应。差别在于，原力灵机把推理速度卷到了离谱的水平：通过 Vision TensorRT、FP8、CUDA Graph 等一串工程优化，模型核心延迟从 534 毫秒压到 57.49 毫秒，9.29 倍加速，API 响应控制在 70 毫秒内。而且在 2000 个 LIBERO 测试 episode 上，成功率只掉了 0.05 个百分点（98.45% → 98.40%），几乎无损。

57 毫秒什么概念？人眨一次眼大约 100 到 150 毫秒。DM0.5 的"思考加出手"，比眨眼还快。大模型的智力，第一次跑进了实时控制要求的时间窗口。前面演示里，它能接住人类的突然打断、能在流水线上 3 秒一单，靠的就是这个。

06

考第一的DM0.5，

居然是一个开源模型

聊开源之前，得先说清楚这场"全科第一"为什么值钱。

同一个模型，在仿真、真机、导航、精细操作这些差别极大的场景里都跑进第一梯队，这在具身行业并不多见。它释放的信号是：具身模型的能力上限，正在被真正看见。

更关键的是，行业现在把宝全押在数据上，"百万小时"几乎成了口头禅。但数据 Scaling 有个常被忽略的前提：木桶能装多少水，取决于最短的那块板。记忆、推理是短板，灌再多数据，水照样从短板流走。全科优秀，才是进入百万小时时代的必要条件，每门课都没有结构性漏洞，数据才会真正转化为能力。DM0.5 考出的，正是这张"值得灌数据"的门票。

然后才是开源的故事。

按商业剧本，考第一的模型应该捂着，卖 API、卖授权，把领先优势变现得越久越好。原力灵机反着来：DM0.5 全面开源。模型权重、训练框架，从 LIBERO 到 RoboTwin2、RoboChallenge 再到真机 SO101 的完整工作流，陆续放上 GitHub 和 Hugging Face，核心代码也提交给了 LeRobot 社区。前阵子，国际电信联盟（ITU）具身智能焦点组首次线下会议，原力灵机当选"开源生态"工作组组长单位。

这个选择接住了上面的逻辑。具身智能缺一个公共底座：每家公司都在重复造轮子，中小团队根本进不了场。一个经过全科验证的底座开源出来，等于告诉所有开发者：放心往里灌数据，这只桶没有洞。短期看是让渡壁垒，长期看，谁成为生态的默认底座，谁就拿走最值钱的门票。

RoboDojo 那张 1.67% 的成绩单，短期看是行业的难堪，长期看是好事：具身智能终于有了一把没人能作弊的尺子，"我家机器人很智能"这句话，从此需要证据。

而登顶之后选择开源的 DM0.5，把尺子、证据和答卷一起放到了所有人面前。物理世界的智能觉醒，可能就从有人愿意公开答卷开始。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。