具身大满贯还全开源！原力灵机DM0.5登顶RoboDojo，且clone且珍惜
机器人大脑新SOTA
具身大满贯还全开源！原力灵机DM0.5登顶RoboDojo，且clone且珍惜 量子位
具身大满贯还全开源！原力灵机DM0.5登顶RoboDojo，且clone且珍惜
这次，原力灵机的DM0.5，登顶了具身「珠峰」——RoboDojo。
魔鬼级的具身评测，由香港大学多媒体实验室联合加州大学伯克利分校、清华大学等全球近20所顶尖学术机构共同发起。
这么说吧，截至2026年7月，仿真榜单头部模型平均成功率仅8.80%，真机榜单仅12.8%。
机器人先从左到右盖住随机排列的红、绿、蓝三个积木。当颜色被完全遮挡后，再根据此前观测，按红、绿、蓝的顺序依次揭开。
反映在数据上也很直观，RoboDojo榜单中的Memory维度，DM0.5直接猛砍了47.74分，显著领先。。。
RoboTwin 2.0：简单和复杂场景下成功率分别达到 93.6% 和 93.3%，
VLA-Arena：不同难度设置下的成功率分别达到 89.0%、53.6%、44.1%。
RoboChallenge Table30 v2：综合得分54.42，成功率43%。
榜单数字终究是抽象的。DM0.5的真实能力到底如何，还得看demo。
但回过头来仔细一样，这些看似分散的demo，其实指向同一件事：
毕竟物理世界场景稀碎，你模型做得再好，总有泛化性覆盖不到的长尾任务，这类场景下鲁棒性会骤降特别多。
目前业内的共识解法是：不追求预训练解决一切，而是在落地环节引入Human-in-the-Loop。让人类工作者拍摄一段示范视频，机器人便能像开了「写轮眼」一样即时对齐并跟随完成复杂任务。
DM0.5原生支持最长60秒的记忆能力，机器人能深度记住并连贯审视自己此前做过的所有动作序列。
基于这份长记忆，模型可以直接跨越语言限制，理解人类演示的视频片段。
其实今年7月我在上海WAIC看过这个demo，说实话，比视频里的精彩得多。
是的，6台机器人，耗时15小时，用 81920块微型积木拼出长3.5米的长城模型。
积木拼装，最小的组件宽度不到1厘米，机器人必须在0.1到1毫米的尺度内完成抓取和扣合。这个精度，已经超越了人手约0.3到1毫米的自然抖动极限。
与此同时，微型积木存在工艺公差，直接大力出奇迹的话，极易错位卡死。
毕竟是模型嘛，高精度任务确实没法追求把把zero-shot，还是得靠Loop保证稳定性。
比如这个削黄瓜的demo，一刀下去，黄瓜形态会变。模型需要实时闭环调整。
刀深几分、力道几何，如何削得干净又不伤果肉……全在毫厘之间的拿捏。
今年北京亦庄的WRC，原力灵机将快递流水线搬到了现场，直击物流中转站最大痛点——
传送带不停，每个包裹的尺寸、材质、摆放姿态都不一样，传统机械方案根本干不了这类任务。
DM0.5不依赖预设脚本，纯靠实时视觉识别和决策，平均3秒一单，准确率超99%。
说实话，论论情绪价值，我个人觉得还得是工业场景，超解压啊，跟看清洁直播一样。
真实世界不是实验室，相机随时可能骤变视角，人类随时可能「空降」捣乱。
DM0.5的解法是分层双系统，即业界主流的System1与System2架构。
Sys2是深思熟虑的高阶大脑。负责理解、拒绝与大局预判，剑指zero-shot；
Sys1则是动作专家网络。就像人类的直觉反射，负责handle长程复杂任务中的琐碎细节。
在这套架构加持下，即便外部视点剧烈变化，DM0.5通用Picking的鲁棒性依然极强。
哪怕人类强行打断任务，机器人也能准确理解当前实际状态，自适应修正后续动作。
现在大家都冲百万小时数据，但光看数据量，或许并不符合第一性原理。
如果基模没有强泛化，每个场景都单独训一个模型，demo再多，也不过是一堆散落的珍珠。
这也是我觉得DM0.5最有意思的Takeaway吧，具身模型本身的能力正在被看见，并且上限可以做到很高。
答案分为三层，也是具身绕不开的三个核心变量：数据、架构、延迟。
数据决定智能上限，这也是整套具身工程中，最重要的一环，没有之一。
1、真机：5万小时高精度操作，覆盖100+种丰富动作，实现秒级精细指令动作对齐。
2、Ego：10万小时场景视频，支持毫米级高精度3D Landmark生成，实现精准标注。
3、仿真：100万平空间数据建模复杂室内环境，高精度重建解决Sim2Real Gap。
数据量的方式则用omni融合思路解决，也是目前行业比较主流的方案，风险最小化。
这个前面提到过，为了降低DM0.5的落地门槛，原力灵机引入了原生长记忆。
具体而言，团队在上下文抽象层做了大量工作，通过高效的信息压缩技术，让4B参数的VLM在预训练阶段就能原生学习并记住历史信息。
毕竟不管怎么说，语言确实是最方便蒸馏人类思考能力的模态了，有Language这一层赋能，就是很吃香。
为此，DM0.5设计了具身思维链任务，用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，赋予动作生成以语义理解和世界预判能力。
这个过程中，团队可以构造了「反事实任务」，故意给出错误指令，迫使模型真正「看懂」而非机械匹配。
传统动作监督是对点式的，预测轨迹与真值轨迹之间的偏差会不断累积，最终炸掉。
原力灵机做的事对齐式的动作监督，利用约束动态规划高效计算最优匹配，一次性解决动作轨迹不一致的问题。
为此，原力灵机做了一系列优化，这里就不多做赘述，大家可以直接看官方技术报告。
API 延迟：p50 67.75 ms，p90 70.01 ms
「登顶」确实很惊艳，但说实话，这可能真还不是最值得关注的事情。
具身天上一天地上一年，冠军频繁易主，仅仅是成绩单，很容易过期。
不仅仅是模型权重，DM0.5的训练框架、下游任务工作流……已陆续在GitHub与Hugging Face开放，供开发者复现、魔改、扩展。
比如下面这个demo，就是原力灵机基于DM0.5，结合开源机械臂套件，监督微调出来的。
LLM领域，开源早不是啥新鲜词，从最开始的DeepSeek，到如今的GLM、Kimi、MiniMax……大家早已习惯了开源的声音。
如果谷歌当年没有放出Transfomer，OpenAI或许永远也摸索不出通往ChatGPT的路。
RoboDojo的火爆，推动了评估从「单点Demo展示」走向「标准化全科考试」。让具身真的可以被统一度量、被复现、被挑战。
DM0.5的登顶与开源，则进一步兑现了这个Benchmark的价值。让所有人看到登顶的方法论，也让方法论可以被带走、被复用。
GitHub：https://github.com/dexmal/opendm
Hugging Face：https://huggingface.co/Dexmal/DM05
Tech Blog：https://www.dexmal.com/blog/dm0.5
他给了王兴兴第一个200万，现在给下一个「宇树」当董事长2026-08-23
WRC最忙机器人：猛干15分钟家务，收纳、补货、叠衣服…2026-08-21
深度体验DeepSeek Harness，我原谅它涨价了2026-08-14
对话原力灵机周而进：模型2.4B就够用，关键是“具身原生”；能闭环才是最高效方法
技术获 NVIDIA、Pi 双重认可！原力灵机 DM0 模型重塑具身智能新范式
原力灵机 DM0 模型，正让机器人 “又聪明又敏捷” 的理想照进现实
基于数万次真机评测，RoboChallenge首份年度报告发布
模型、框架、应用量产工作流，原力灵机三箭齐发，开启具身智能"原生时刻"
原力灵机提出GeoVLA：让机器人看懂三维世界，打破2D视觉枷锁
闭源RSI的严父：18个Agent自主科研，Kimi K3靠Harness逼近Opus 5
匿名牛来大模型被扒出智谱血缘，也有人怀疑Cursor拿开源GLM训的
写2000字提示词，不如先生成3D白模！AI视频创作进入“预演时代”
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1