【具身智能】VLA-DM0.5：让机器人真正理解世界

- 一、前言：具身智能缺的从来不是人才
- [二、DM0.5 是谁：从 DM0 到 DM0.5 的半年跃迁](#二、DM0.5 是谁：从 DM0 到 DM0.5 的半年跃迁)
- [三、硬核底座：15 万小时数据是怎么搭起来的](#三、硬核底座：15 万小时数据是怎么搭起来的)
- - [3.1 第一类：真机数据（5 万小时）](#3.1 第一类：真机数据（5 万小时）)
  - [3.2 第二类：Egocentric 第一视角数据（10 万小时）](#3.2 第二类：Egocentric 第一视角数据（10 万小时）)
  - [3.3 第三类：场景重建数据（100 万平方米）](#3.3 第三类：场景重建数据（100 万平方米）)
  - [3.4 一个值得记住的数据哲学](#3.4 一个值得记住的数据哲学)
- 四、三项架构创新：让模型从「记住动作」走向「理解任务」
- - [4.1 上下文抽象层：把记忆从 10 秒拉到 60 秒](#4.1 上下文抽象层：把记忆从 10 秒拉到 60 秒)
  - [4.2 具身思维链任务：让模型学会"先谋后动"](#4.2 具身思维链任务：让模型学会"先谋后动")
  - [4.3 轨迹对齐层：从"对点"走向"对齐"](#4.3 轨迹对齐层：从"对点"走向"对齐")
  - [4.4 整体架构：双系统的快慢协同](#4.4 整体架构：双系统的快慢协同)
- [五、成绩单：四大评测全 SOTA 与横向对比](#五、成绩单：四大评测全 SOTA 与横向对比)
- - [5.1 相对上一代的提升](#5.1 相对上一代的提升)
  - [5.2 关键评测结果](#5.2 关键评测结果)
  - [5.3 推理与部署成本](#5.3 推理与部署成本)
  - [5.4 真机精细操作：亚毫米级](#5.4 真机精细操作：亚毫米级)
- 六、泛化涌现的五个维度
- - [维度一：Zero-Shot ------ "没见过也能干"](#维度一：Zero-Shot —— "没见过也能干")
  - [维度二：Fine-Tuning ------ "进场后更会干"](#维度二：Fine-Tuning —— "进场后更会干")
  - [维度三：原生记忆 ------ 长程任务不再断片](#维度三：原生记忆 —— 长程任务不再断片)
  - [维度四：抗干扰 ------ 专治长尾](#维度四：抗干扰 —— 专治长尾)
  - [维度五：多本体支持 ------ 天然跨平台](#维度五：多本体支持 —— 天然跨平台)
- 七、三级火箭：模型之外的系统工程
- - [7.1 第二级：DexDev 开发者平台](#7.1 第二级：DexDev 开发者平台)
  - [7.2 第三级：Ferrata 多智能体混合作业系统](#7.2 第三级：Ferrata 多智能体混合作业系统)
  - [7.3 三级火箭的完整图景](#7.3 三级火箭的完整图景)
- 八、具身智能算法现状：三条路线之争与一个共同的瓶颈
- - [8.1 大背景：VLA 范式是怎么来的](#8.1 大背景：VLA 范式是怎么来的)
  - [8.2 VLA 的三个核心部件](#8.2 VLA 的三个核心部件)
  - [8.3 路线之争一：动作表示------离散 token vs 连续生成](#8.3 路线之争一：动作表示——离散 token vs 连续生成)
  - [8.4 路线之争二：原生训练 vs 外挂式微调](#8.4 路线之争二：原生训练 vs 外挂式微调)
  - [8.5 路线之争三：Scaling Law 能不能复制](#8.5 路线之争三：Scaling Law 能不能复制)
  - [8.6 主流 VLA 模型横向对比（截至 2026）](#8.6 主流 VLA 模型横向对比（截至 2026）)
  - [8.7 两个值得强调的行业结论](#8.7 两个值得强调的行业结论)
  - [8.8 一个共同的瓶颈：数据飞轮](#8.8 一个共同的瓶颈：数据飞轮)
  - [8.9 当前技术的客观局限](#8.9 当前技术的客观局限)
- 九、前景展望：从「任务表演」到「世界理解」还要走多远
- - [9.1 短期（1--2 年）：效率普惠与生态收敛](#9.1 短期（1–2 年）：效率普惠与生态收敛)
  - [9.2 中期（2--3 年）：长程能力与多机协同](#9.2 中期（2–3 年）：长程能力与多机协同)
  - [9.3 长期：跨越属于自己的「ChatGPT 时刻」](#9.3 长期：跨越属于自己的「ChatGPT 时刻」)
  - [9.4 需要保持怀疑的三点](#9.4 需要保持怀疑的三点)
- 十、结语
- 参考资料

一句话概括 ：DM0.5 用「4B 参数 + 15 万小时多源数据 + 三项架构创新」，在真机与仿真四大公开评测中全面刷新 SOTA，把 Zero-Shot 导航成功率拉高 31%，并把一个全新下游任务的专家级微调成本压到「单张 RTX 4090、18 小时」。它真正想回答的问题不是「机器人能不能表演」，而是「机器人能不能理解世界」。

一、前言：具身智能缺的从来不是人才

2026 年的具身智能赛道，用「喧嚣」来形容并不为过。几乎每个月都有新模型发布，参数从 2B 卷到 55B，数据从几万小时卷到百万小时。

但这个行业里几乎没什么共识------唯一被普遍认可的一点是：数据飞轮转不起来，是行业最大的阻碍之一。

如果具身智能同样遵循 Scaling Law，那它需要的三样东西就非常明确：

更大的数据规模；
更高质量的数据闭环；
更强的算力支撑。

其中，算力的解决路径相对清晰（芯片、集群、推理优化），而数据这一侧要麻烦得多。想追求百万小时级的真实操作数据，靠纯人工采集极其费时费力；若要进一步要求「数据又多、又具备真实任务价值」，难度还要再上一个量级。

一个被广泛接受的理想状态是：把采具身数据这件事，从被动的「采集型数据」，转变为真实业务里持续产生的「场景型数据」------让数据在业务运转中自然流淌出来，而不是靠专门的采集团队去"表演"任务。

原力灵机（Force Impulse）正是沿着这条思路在走。这家公司的核心创始团队出自旷视科技，具备大规模 AI 模型训练、机器人落地和高可靠硬件量产经验；2026 年又与物流机器人公司 Atomix 完成合并，补上了真实场景侧的关键拼图。

一个必要的提醒：有了经验和场景并不等于稳赢。如果把一个「半吊子模型」扔进场景里，它既吃不下数据，也消化不好数据。模型本身的质量，仍然是整条链路的第一性问题。

二、DM0.5 是谁：从 DM0 到 DM0.5 的半年跃迁

2026 年 7 月 9 日，原力灵机在 Action2026 开发者大会上正式发布新一代具身基础模型 DM0.5，同期通过 GitHub 与 HuggingFace 全面开源。

它的定位是**「面向开放世界的通用具身基础模型」**，官方给的关键词是三个：更大、更强、更实用。

先看两组最直观的对比数据：

维度	DM0（2026.02，ICRA 2026）	DM0.5（2026.07）	变化
参数规模	2B	4B	翻倍
训练数据量	基准	15 万小时	增长 400%
定位	全球首个具身原生大模型	面向开放世界的通用具身基础模型	从"原生"到"开放世界"
架构	单体 VLA	4B VLM 主干 + 680M Action Expert 双模块	模块化分工

从 2 月到 7 月，不到半年。这个迭代节奏本身就说明了一件事：具身基础模型的竞争，已经从"能不能做出来"进入了"能不能快速变强"的阶段。

三、硬核底座：15 万小时数据是怎么搭起来的

DM0.5 的数据量相比上一代增加了 400%，总量达到 15 万小时。关键在于，这 15 万小时并非同质堆砌，而是由三类高质量数据共同构成，各司其职。

3.1 第一类：真机数据（5 万小时）

这是最"贵"的一类数据，也是决定模型能不能干活的关键。

规模：5 万小时高精度操作数据
覆盖：100 多种丰富动作
精度：实现秒级精细指令动作对齐

这类数据主要负责解决一个核心问题------机器人如何在真实物理世界里完成操作。仿真环境可以造出无限多的场景，但造不出真实的摩擦力、形变和接触反馈。

3.2 第二类：Egocentric 第一视角数据（10 万小时）

这是数据量最大的一类，也是原力灵机数据策略里最有想象空间的一块。

规模：10 万小时 Ego（第一视角）数据
能力：支持毫米级高精度 3D Landmark 生成

让模型从「类似人类视角」理解环境，本质上是把互联网上海量的第一视角视频（人类做饭、整理、装配）转化为可用的监督信号。这是一条绕开"真机数据采集贵"的现实路径。

3.3 第三类：场景重建数据（100 万平方米）

规模：100 万平方米空间的复杂室内环境建模
目标：降低 Sim2Real Gap（仿真环境与现实世界之间的差距）

场景重建不是简单的三维建模，而是要为强化学习提供高保真的虚拟物理环境------这正是后面 DFOL2.0 框架能跑起来的前提。

3.4 一个值得记住的数据哲学

原力灵机联合创始人兼 CEO 唐文斌对数据的表述非常克制但清晰：

数据的核心是「质量 × 数量 × 多样性」，而任务空间可以拆解为「环境 × 任务 × 对象 × 本体」。

他同时给出了一个重要的边界条件：

仿真数据虽然能补足「环境」维度，但在「任务」和「对象」维度存在失真严重的问题------物理世界的接触、形变、摩擦力，今天的仿真平台很难仿得逼真。

这解释了为什么原力灵机坚持以真实数据为主，并且把业务重心放在物流场景：拣选和打包这两类任务虽然动作种类不多，但对象极其多元------他们的一个客户是全球最大的零售商之一，"几乎家里能遇到的商品，他们都有卖"。这意味着，仅仅在仓库里，就能触达近乎所有日常对象。

这里有一个深刻的取舍：不是所有"数据多"都有价值。在一个对象极度多样的场景里做少数几个任务，比在一个对象单一的场景里做很多任务，对泛化能力的贡献大得多。

四、三项架构创新：让模型从「记住动作」走向「理解任务」

高质量数据只是地基。DM0.5 在模型架构上还做了三项关键创新，它们共同服务于一个目标：让机器人从"记住动作"走向"理解任务"。

4.1 上下文抽象层：把记忆从 10 秒拉到 60 秒

现实场景里的具身任务，大多是数分钟甚至更久的长周期作业，必须加强对前序步骤和状态的记忆。

DM0.5 通过高效的上下文压缩，原生支持最长 60 秒记忆能力（行业平均水平在 30 秒上下，而目前多数具身模型的记忆不超过 10 秒）。

这个能力的意义不只是"记得更久"，而是让模型能够：

更精准地提取并保留关键的历史上下文；
理解更长时间范围内发生的动作与环境变化；
减少长周期连贯作业中的**"断片"现象**。

一个具体的验证案例来自 RoboDojo 榜单的搭积木任务：机器人需要先遮住随机摆放的三色积木，再凭记忆按顺序揭开。DM0.5 多次测试均取得 100% 成功率，形成了「历史观察 → 状态记忆 → 顺序执行」的完整能力闭环。

4.2 具身思维链任务：让模型学会"先谋后动"

原力灵机的具身模型主要走的还是 VLA（Vision-Language-Action）路线。但团队对 VLA 的局限有清醒认知：

VLA 模型更多关注视觉输入到动作输出之间的映射，在理解和执行能力上，目前的技术还是差点意思------遇到复杂场景容易盲目试错甚至卡壳。

DM0.5 的解法是引入具身思维链（Embodied Chain-of-Thought） ：在机器人数据中引入 11 种自回归推理任务，覆盖任务规划、目标定位、事件与环境预测、未来状态预测、动作生成等。

面对复杂指令时，模型会在内部：

将大目标拆解为多个子任务；
规划好先后顺序与动作逻辑；
然后才动手执行。

这套机制大幅降低了无效动作和失败率------本质上是把"反应式执行"升级为"规划式执行"。

4.3 轨迹对齐层：从"对点"走向"对齐"

理想状态是：人对机器人说一句话，机械臂各关节就能毫米级地协同转动。但从"听到话"到"动作落位"之间的鸿沟，用原文的话说------"也就比马里亚纳海沟浅一点点"。

轨迹对齐层在模型中起到"专八级别翻译官"的作用：

通过动态规划算法实现动作轨迹进展对齐；
让动作学习从传统的**"对点"走向"对齐"**；
帮助模型理解运动过程中的规律，而非机械拟合终点位置。

4.4 整体架构：双系统的快慢协同

把上述创新放到一起，DM0.5 的完整架构可以这样描述：

架构要义：Sys2 负责"深思熟虑"------理解、推理、规划；Sys1 负责"快速反应"------高频动作响应。4B 的"聪明大脑"配 680M 的"动作教练"，形成了感知---推理---执行的完整链路。

五、成绩单：四大评测全 SOTA 与横向对比

DM0.5 在真机与仿真的四大公开评测中全面超越当前 SOTA，并且仅凭单个模型就能同时支持导航、抓取、全身控制等任务。核心数字如下：

5.1 相对上一代的提升

指标	提升幅度
Zero-Shot 导航成功率	+31%
Few-Shot 成功率	+45%
微调后任务成功率	+20%
推理效率	+25%
微调成本	−60%

5.2 关键评测结果

评测基准	类型	DM0.5 成绩	备注
RoboChallenge Table30 V2	真机	总得分 54.42 ，成功率 43%	30 个复杂任务、4 种异构机型，位列第一
LIBERO	仿真	综合 99.1%（Clean 94.1% / Random 94.4%）	刷新历史最佳
RoboTwin 2.0	仿真	第一	---
VLA-Arena	评测	第一	---
RoboDojo	综合	综合得分 24.90，平均成功率 19.34%	记忆维度 47.74 分，第二名仅 13.37，领先超 3 倍
RoboColiseum（2026.09）	综合	指令跟随 / 空间理解 / 扰动适应 / 通用操作四个子榜全部第一	---

5.3 推理与部署成本

平台	推理延迟
NVIDIA H100	50 ms
RTX 4090（消费级）	90 ms

更值得注意的是延迟的优化幅度：通过工程优化，核心推理延迟从 534.04 ms 降至 57.49 ms------接近 10 倍的压缩。这意味着原本必须依赖数据中心级算力的模型，现在可以在消费级显卡上做实时控制。

关于评测体系，RoboDojo 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 所顶尖学术机构发起，将机器人操作拆为五类能力维度进行全面评测：泛化能力、记忆能力、精细操作、长程执行、开放语义理解。参评者包括腾讯、小米等知名团队。

5.4 真机精细操作：亚毫米级

在真实场景中，DM0.5 的精细操作精准度已达亚毫米级 ------在搭积木场景中，能在 0.1--1 毫米 的尺度内完成抓取扣合，并在拼装失误后自主感知、自主纠错。

"自主纠错"这四个字的分量，比成功率数字更重：它意味着模型具备了对自身执行状态的监控能力，而不是开环地走完预设轨迹。

六、泛化涌现的五个维度

唐文斌用两条标准来衡量一个具身基础模型"好用与否"：

基础模型的 Zero-shot 泛化能力如何？ ------ 这决定了模型能力的上限；
后训练效率如何？ ------ 这关乎模型能力走向产业落地的速度。

DM0.5 在这两条上都给出了具体的答案。周而进（联合创始人、CTO）明确表示，已经从 DM0.5 身上看到了泛化涌现。具体体现在五个方面：

维度一：Zero-Shot ------ "没见过也能干"

团队用搭载 DM0.5 的 Franka 单臂与 Dexmal-Mint，实测了 8 项核心原子动作：

Pick（抓）、Put（放）、Cover（覆盖）、Rotate（旋转）、Push（推）、Pull（拉）、Wipe（擦）、Stack（堆叠）

以及复杂指令遵循任务，覆盖颜色、形状、大小、状态、绝对/相对位置、长序列指令系列等。

结果是：仅在 Franka 单臂上的 Move 这一项，DM0.5 与 π0.5 的成功率不分伯仲；其余所有测试项，DM0.5 均以较大优势胜出。

值得注意：能够在绝大多数项目上压过 π0.5（Physical Intelligence 的开放世界泛化模型），是这个成绩单里信息量最大的一条。π0.5 是当前公认的开放世界泛化标杆之一。

维度二：Fine-Tuning ------ "进场后更会干"

后训练效率上，DM0.5 实现了断代式的普惠：

微调成本下降 60%；
仅需一块 RTX 4090 消费级显卡；
最快 18 小时即可完成一个全新下游任务的专家级微调部署。

这意味着，一个中小团队拿到这个开源模型后，用一个周末的算力就能把一个通用模型调成自己的专用模型。这是具身智能从"大厂游戏"走向"行业工具"的关键一步。

维度三：原生记忆 ------ 长程任务不再断片

原生支持最长 60 秒长时记忆（目前普遍的具身模型记忆不超过 10 秒），让机器人可以处理更长程、多步骤的任务。

更值得关注的是由此解锁的视频示教（Video Prompt）能力：基于长记忆特性，DM0.5 可以直接跨越语言限制，理解人类演示的视频片段------实现"看完人类示教视频后，即时对齐并跟随完成复杂任务"的直觉化交互。

这条能力的战略意义在于：它把"教机器人"的门槛从"写代码/写指令"降到了"拍一段视频"。

维度四：抗干扰 ------ 专治长尾

DM0.5 采用双系统架构（Sys2 深思熟虑 + Sys1 高频响应），并针对两类具身模型世界的高频长尾干扰做了深度强化：

干扰类型	具体挑战	模型表现
相机扰动	外部视点骤变、相机视角剧烈变化	仍能保持绝对稳定的任务执行力
人类动作干扰	任务过程中突遭人类动作强行打断	精准理解当前所处实际状态，自适应修正后续动作

维度五：多本体支持 ------ 天然跨平台

训练阶段就采用多机型与多任务一体化融合训练方式，因此天然具备跨平台迁移能力。

已适配机型：Aloha、ARX、UR、W1、宇树 G1、天工、华勤、睿尔曼等；
覆盖形态：双足人形、轮式、双臂/单臂机械臂、灵巧手；
面对未知新机型：也能超快速完成轻量化部署。

周而进的感慨很能说明变化的速度：

"去年具身模型没有泛化能力。今天完全不一样了。随便拉来一台机器，模型往上一跑，你就能对它说话下指令。"

泛化能力改变的是根本性的东西：机器人不再只是在固定环境里执行固定动作，它们开始理解新的对象、新的环境、新的任务，人和机器人交互的方式也会随之变化。

七、三级火箭：模型之外的系统工程

这是整篇文章里最容易被忽略，却可能最关键的一部分。

原力灵机打了一个比方：单级火箭达不到第一宇宙速度 7.9 km/s，必须要二、三级火箭接力加速，最终才能将飞行器送入预定轨道。

围绕 DM0.5，他们同步发布了：

第二级火箭：DexDev 开发者平台（含 DFOL2.0、MaaS、DexOS）
第三级火箭：Ferrata 多智能体混合作业系统

7.1 第二级：DexDev 开发者平台

具身智能赛道太早期，大家各做各的------模型、硬件、任务、数据、部署环境彼此割裂。你很难要求一个开发者既懂算法，又懂机器人控制，还能处理场景适配和后续迭代。

DexDev 用三个模块来服务开发者：

① 世界模型驱动的框架 DFOL2.0

DFOL2.0 是一个由通用世界模型（原力灵机推出的 DW0.5）驱动的具身强化学习与数据闭环框架：

利用高保真虚拟物理环境完成低成本、低风险的闭环策略训练，替代高昂的真机试错；
将真实场景中的作业与失败数据持续回流至云端，实现基础模型的自主迭代与持续进化。

实测效果 ：真机训练数据需求下降 60% ，训练成本降低 40%。

② 具身通用操作系统 DexOS

通过定义标准化的 ECP（Embodied Control Protocol，具身控制协议） 接口，DexOS 屏蔽底层异构硬件的执行差异，把大模型与各类机器人本体之间复杂的 "N×M" 适配难题，降维成 "N+1" 的统一对接。

这是一个典型的中间层价值：不做模型，不做硬件，做"让两者能说同一种话"的协议。

③ 行业首个具身 MaaS 服务

将 DM 系列基础模型能力做成一站式服务。开发者不用从零训练模型、不用啃硬件适配，就能一键式开发、直接调用泛化能力完成机型部署与升级。

三者合力：DFOL2.0 让模型持续变强 ，DexOS 让软硬件持续打通 ，MaaS 让能力持续被规模化调用------共同解决具身智能"要素碎片化、缺统一基础设施"的行业痛点。

7.2 第三级：Ferrata 多智能体混合作业系统

当单机能力通过 MaaS 实现规模化调用后，如何让多台机器人高效协同作业，成为下一个关键挑战。

Ferrata 依托 DM 系列模型与 Realtime-VLA 构建，并不针对某一款单独机器人 ，而是在目标、模型、多形态硬件和安全边界之间建立一套系统级调度机制：

任务分级
异常处理
人工接管
数据回流

通过这四项机制，让机器人在真实环境中持续运行。

7.3 三级火箭的完整图景

核心判断 ：光靠模型，走不完能力落地场景的"最后 100 米"。具身智能的产业化，本质上是一道系统工程题，而不是一道单纯的模型题。

八、具身智能算法现状：三条路线之争与一个共同的瓶颈

前面是"是什么"，接下来是更重要的部分------DM0.5 所在的这个技术坐标系，到底是什么样的？

8.1 大背景：VLA 范式是怎么来的

在 VLA 出现之前，机器人的工作方式是模块化流水线：一个模块检测物体，一个模块规划路径，一个模块控制机械臂，各模块通过窄接口通信。改一个变量，整条链可能就断了。

VLA（Vision-Language-Action）范式彻底改写了这套玩法------用单个神经网络，直接吃进摄像头画面和文本指令，输出电机指令。中间没有手工搭建的流水线。

这个概念的诞生标志是 Google DeepMind 的 RT-2 论文：它证明了把视觉语言模型同时用网页数据和机器人演示数据做联合训练，能够产生涌现式的泛化------机器人可以处理它从未显式见过的物体和指令表述。

模型类型	输入模态	输出模态	典型任务
LLM	文本	文本	对话、写作、推理
VLM	图像 + 文本	文本	图像描述、视觉问答
VLA	图像 + 文本	动作序列	机器人操作、导航

8.2 VLA 的三个核心部件

无论 OpenVLA、Octo 还是 π 系列，现代 VLA 架构都依赖同样的三个组件：

换掉任何一块，就是另一种 VLA。 这也是为什么这个领域看起来拥挤，实际上只是在重复混搭同三块积木。

8.3 路线之争一：动作表示------离散 token vs 连续生成

这是当前架构层最活跃的创新战场，目前有三条主流路线：

路线	代表工作	优点	缺点
离散 token 化	RT-2、OpenVLA	训练稳定，与 VLM 输出天然兼容	精度受限，连续运动有损
扩散 / 流匹配	π0（flow-matching）、dVLA（离散扩散）	轨迹更平滑，多模态建模强	训练难度大，推理步数多
动作思维链（ACoT）	ACoT-VLA（CVPR 2026）	长程任务表现最优，LIBERO-Long SOTA	推理开销大，实时性挑战

关键洞察 ：离散化便于复用 LLM 的训练范式，连续生成更贴合动作的真实分布。两条路线并存，尚未收敛。 DM0.5 的"轨迹对齐层"本质上是在连续空间里做文章------用动态规划把轨迹进展显式建模，绕开了纯离散化的精度损失。

8.4 路线之争二：原生训练 vs 外挂式微调

这是唐文斌最坚持的方法论，也是行业内一条真实存在的路线分歧。

外挂式做法（行业主流）：

拿互联网多模态模型 → 后面再加一个动作模块 → 训练

唐文斌的比喻：

这就像一个完成九年制义务教育的初中生，被拉去上体校，狂练三年体育后发现------这哥们儿筋骨还是不健壮。因为他不是从小就练的。大模型参数量很大，如果一开始梯度走歪了，后面再想拉回来很难。

原生训练才是他主张的路：从一开始就把具身数据作为训练的主体信号，而非事后嫁接。

DM0 是"全球首个具身原生大模型"，DM0.5 延续的正是这条路线。

8.5 路线之争三：Scaling Law 能不能复制

行业的普遍怀疑是：大模型的 Scaling Law 已经清晰（参数越大、数据越多，智能涌现越强），但具身模型能不能复制这条路，参与者还没有共识。

唐文斌的态度有两面性：

一方面，他明确坚信：

"Scaling Law 我们非常坚信，我们现在是 PB（1024TB）级别的数据量，也看到了很多效果。"

另一方面，他对当下"堆参数"的做法持保留态度：

"今天的数据量不够，模型尺寸的扩容和数据的扩容必须同步推进。数据量不上来，盲目扩参只会加剧 overfit（过拟合），没有意义。"

真正的瓶颈不是参数规模，而是数据。 这是理解当前具身智能技术现状最重要的一句话。

8.6 主流 VLA 模型横向对比（截至 2026）

模型	发布方	参数	动作方法	开源	核心特征
RT-1	Google	35M	离散 token	否	开山之作
RT-2	Google DeepMind	55B	离散 token	否	VLA 范式奠基
Octo	UC Berkeley 等	27M--93M	扩散策略	是	轻量、跨本体
OpenVLA	Stanford	7B	离散 token	是	97 万 episodes，开源 SOTA
π0	Physical Intelligence	~3B	Flow matching	部分	工业级复杂任务、灵巧操作
π0.5	Physical Intelligence	~3B	Flow matching	否	开放世界泛化，无需重训适应新环境
GR00T N1 / N1.7	NVIDIA	3B	---	N1.7 开源	2 万+ 小时第一视角视频，Isaac Sim 集成
RDT-1B	清华 / 上海期智	1B	扩散	是	双臂操作专精
SmolVLA	Hugging Face	450M	Flow matching	是	450M 对标 7B，异步推理
NanoVLA	学术界	~100M	---	研究	边缘硬件 52× 推理加速，参数减少 98%
DM0.5	原力灵机	4B	轨迹对齐 + 离散/连续混合	是（全面开源）	60s 长记忆 + 具身思维链 + 多本体

8.7 两个值得强调的行业结论

结论一：架构比规模更重要。

OpenVLA（7B）在多项操作基准上超过了闭源的 RT-2-X（55B）------用1/7 的参数、更低的运行成本取得了更好的结果。这打破了"大厂的闭源、算力密集型模型会长期保持能力领先"的假设。

结论二：效率研究正在产出可用成果。

SmolVLA 用 450M 参数逼近 7B VLA 的表现，NanoVLA 用 98% 更少的参数实现 52 倍推理加速。趋势是明确的：更小的模型、端侧推理、开放权重。

8.8 一个共同的瓶颈：数据飞轮

无论走哪条路线，所有玩家都撞上同一堵墙。DM0.5 的应对策略具有代表性：

传统路径	新路径
采集型数据：专门组织人力采集，成本高、周期长、任务"表演"色彩重	场景型数据：真实业务运转中自然产生，成本低、持续、任务价值真实
数据量受限于采集预算	数据量随业务规模自然增长
难以支撑百万小时级目标	数据飞轮可持续加速

这正是 DM0.5 选择物流场景的深层原因 ：拣选和打包只有两类任务，但对象近乎无限多样。业务越忙，数据越多；数据越多，模型越强；模型越强，业务越依赖------飞轮由此转起来。

8.9 当前技术的客观局限

在讨论前景之前，有必要诚实地列出当前的局限。这些是行业性问题，DM0.5 并未声称全部解决：

推理延迟：即便最快的 VLA（Octo 约 50ms），仍慢于经典策略（ACT 约 10ms、Diffusion Policy 约 15ms）。对 >30Hz 控制频率要求的任务（力敏感装配、反应式抓取），VLA 仍需专用硬件加速。
接触相性能：VLA 在接近阶段（识别物体、规划轨迹）表现优秀，但在接触阶段（力调节、插入、手内操作）表现较弱------语言主干的先验对接触动力学毫无帮助。混合方案（VLA 做接近 + 力/触觉策略做接触）是当前最佳实践。
幻觉问题：与语言模型一样，VLA 会"幻觉"------在正确动作不确定的情况下给出高置信度动作。安全层（力限制、工作空间边界）是必需品。
训练成本：从零预训练 VLA 需要数百万条机器人演示和数百 GPU 小时。

九、前景展望：从「任务表演」到「世界理解」还要走多远

9.1 短期（1--2 年）：效率普惠与生态收敛

判断一：微调成本将持续下探，具身模型进入"消费级显卡时代"。

DM0.5 已经证明：单张 RTX 4090、18 小时、成本下降 60%，就能完成一个全新下游任务的专家级微调。当这个门槛继续降低，具身智能的开发主体将从"大厂实验室"扩展到"中小集成商和垂直行业玩家"。

判断二：基础设施层将快速标准化。

DexOS 用 ECP 协议把 "N×M" 适配降维成 "N+1"，MaaS 把模型能力变成即插即用的服务。这类中间层的出现，标志着行业开始从"每家自建全栈"走向"分工协作"。协议和标准的竞争，会比模型本身的竞争更持久。

判断三：评测体系将成为话语权高地。

RoboDojo、RoboChallenge、RoboColiseum、LIBERO 等评测基准的权威性正在提升。唐文斌的一句话点出了要害：

"如果自己都不知道怎么评测自己的模型，怎么推进进展？"

9.2 中期（2--3 年）：长程能力与多机协同

判断四：长记忆与具身思维链将成为标配。

DM0.5 的 60 秒原生记忆（行业普遍 <10 秒）是一个明确的信号：长周期、多步骤、需要规划的复杂任务是下一个主战场。当"先谋后动"成为基础能力，机器人才能进入真正的家务、仓储、产线等非结构化环境。

判断五：视频示教将重构人机交互范式。

绕过语言、直接理解人类演示视频的能力，把"教机器人"的门槛降到了拍一段视频。这可能比参数规模的增长更能加速具身智能的普及。

判断六：多智能体协同是规模化的必经之路。

单机能力再强，也无法应对真实场景的多目标、多任务并发。Ferrata 这类系统级调度机制（任务分级、异常处理、人工接管、数据回流），决定了具身智能能否从"单点 demo"走向"产线部署"。

9.3 长期：跨越属于自己的「ChatGPT 时刻」

原文结尾的一段话值得完整引用：

今天的具身智能领域，并不缺顶尖的人才，不缺海量的数据，更不缺设计精密的硬件。如果再多一些对物理世界的敬畏心，这个赛道应该能发展得更扎实更好。

具身智能要想真正跨越属于自己的"ChatGPT 时刻"，能靠得住的还是愿意长期扎根的耐心，是脚踏实地把每一个粗糙、复杂的场景死磕到底的坚持。

这句话的技术解读是 ：语言模型的 ChatGPT 时刻，建立在"互联网文本近乎无限、且获取成本趋近于零"的基础之上。而具身智能没有这样的免费午餐------物理世界的数据必须被"经历"，而不是被"爬取"。

这决定了具身智能的 Scaling 曲线，注定比 LLM 更陡、更慢、更依赖真实场景的深耕。

9.4 需要保持怀疑的三点

作为技术从业者，以下几点不确定性值得持续跟踪：

不确定性	说明
单一榜单的局限	评测集的 SOTA 不等于真实场景的可用性。榜单任务与产业现场的复杂性之间，仍有显著鸿沟。
Sim2Real 的天花板	仿真能补足"环境"维度，但在"任务"和"对象"维度的物理失真，短期内难以根本解决。
接触动力学的硬骨头	力控、形变、摩擦这类物理交互，目前仍是 VLA 体系的系统性弱项，需要触觉/力觉模态的深度介入。

十、结语

DM0.5 的价值，不只在于那几张榜一成绩单。

更值得关注的是它展示的一条完整路径：用真实场景产生的高质量数据作为底座（15 万小时），用架构创新把数据转化为能力（上下文抽象层 + 具身思维链 + 轨迹对齐层），再用系统级基础设施把能力交付给产业（DexDev + Ferrata）。

这也回应了文章开头的那个判断------具身智能最大的阻碍是数据飞轮转不起来 。而转动飞轮的关键，不在于采集得更多，而在于让数据在真实业务中自然产生，并且让模型有足够的能力去消化它。

"拒绝用任务表演冒充世界"------这句口号的技术实质是：从拟合轨迹，走向理解世界。

这条路还很长。但 2026 年，行业至少已经找到了正确的方向和可复现的方法。

参考资料

量子位（QbitAI）衡宇：《Zero-Shot 提升 31%！原力灵机 DM0.5 登场，15 万小时数据喂出》，2026-07-09
人民网重庆频道：《两江新区企业原力灵机登顶全球具身智能榜单》，2026-08-26
中国经济网：《对话唐文斌：具身赛道多数都在"追兔子"，真正"猎龙"的不到 10 家》，2026-07-17
百度百科：DM0.5 词条
QbitAI / 腾讯网、今日头条等公开报道
RoboticsBiz、aiknowledge.cn 等 VLA 技术综述资料

声明：本文基于公开报道与技术资料整理分析，涉及的模型性能数据均引自官方发布与第三方评测报道。具身智能领域进展迅速，具体数据可能随版本迭代发生变化，建议以官方最新发布为准。