⚛️量子位•近期收集於 2h
DM0.5 登頂 RoboDojo，全面開源
💡了解開源具身模型如何登頂 RoboDojo。
⚡ 30-Second TL;DR
有什麼變化
DM0.5 在 RoboDojo 基準測試中取得第一名。
為什麼重要
在 RoboDojo 取得領先結果，可能提高業界對具身智慧控制與泛化能力的期待。全面開源也可能加速機器人基礎模型的獨立複現與競爭。
下一步行動
先複製已發布的 DM0.5 程式碼並重現 RoboDojo 評測，再將其改造至你的機器人平台。
誰應關注：Researchers & Academics
關鍵要點
- •DM0.5 在 RoboDojo 基準測試中取得第一名。
- •該系統被定位為機器人大腦的新進展。
- •全面開源讓研究者能夠複製、測試並進一步研究。
🧠 深度解析
背景與延伸：來自公開資料，非原文內容。引用 13 個來源。
🔑 增強重點摘要
- •DM0.5 採用了 4B 參數規模的架構，並整合了 Gemma3-4B 視覺語言模型與 680M 的 Flow-Matching 動作專家模型。
- •該模型訓練數據量達到 15 萬小時，相較於前代版本提升了 400% 的數據規模。
- •DM0.5 具備 11 種具身思維鏈（CoT）推理能力，並支援動態軌跡對齊技術以提升操作精度。
- •原力灵机（Dexmal）採用 MaaS 商業模式，將 DM0.5 與其自研的 Apex 通用機器人及 DexOS 作業系統進行深度整合。
- •RoboDojo 基準測試由香港大學發起，涵蓋 42 項模擬任務與 18 項真實世界任務，目前已有全球近 20 所大學參與協作。
📊 競品分析▸ Show
| 特性 | DM0.5 (原力灵机) | 競爭對手 (如 RT-2/OpenVLA) |
|---|---|---|
| 核心架構 | Gemma3-4B + Flow-Matching | PaLM-E / Llama-based VLA |
| 訓練數據 | 15 萬小時機器人數據 | 規模各異 (通常為公開數據集) |
| 開源程度 | 全面開源 (OpenDM) | 部分開源或閉源 |
| 基準測試 | RoboDojo (LIBERO 99.0%) | 各自獨立基準測試 |
🛠️ 技術深入
- 模型架構：基於 4B 參數的 VLA（視覺-語言-動作）模型，結合 Gemma3-4B 作為視覺語言骨幹。
- 動作預測：採用 680M 參數的 Flow-Matching 動作專家模組，實現精確的軌跡生成。
- 推理機制：內建 11 種具身思維鏈（CoT），增強機器人在複雜環境下的決策能力。
- 性能指標：在 LIBERO 任務中達到 99.0% 成功率，RoboTwin2 任務中達到 93.6% 成功率。
- 系統整合：支援與 DW0.5 世界模型協作，具備亞毫米級別的操作精度與長時程任務執行能力。
🔮 前景展望AI analysis grounded in cited sources
具身智慧模型將加速工業自動化轉型
DM0.5 展現的長時程任務執行能力與高精度操作，直接對應工業生產線對穩定性與靈活性的需求。
RoboDojo 將成為具身智慧領域的統一標準
隨著全球近 20 所大學的參與及 DM0.5 的登頂，該基準測試正逐步建立跨模擬與真實環境的評測權威性。
⏳ 時間線
2025-03
原力灵机（Dexmal）正式成立，由曠視科技背景團隊創立。
2026-07
於 WAIC 2026 展示 DM0.5 與 DW0.5 協作，實現 15 小時連續組裝任務。
2026-08
DM0.5 在 RoboDojo 基準測試中取得第一名並正式全面開源。
📎 來源 (13)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗
每週 AI 簡報
每週一封，可隨時退訂。