Zero-Shot、長記憶、抗干擾，DM0.5把VLA帶進真實世界

過去兩年，VLA（視覺 - 語言 - 動作）模型的爆發，讓整個具身智能行業沉浸在一種前所未有的樂觀中。機器人開始聽懂人話、識別物體，在實驗室里跑出一個個令人驚嘆的精彩 Demo。然而，當這些模型走出精心搭建的 “劇本環境”，真正面對光照變幻、視角漂移以及人類隨意的干擾時，脆弱的泛化性往往讓繁榮流于表面 ——全行業都在心照不宣地面對一個難題：如何拒絕用 “任務表” 來冒充世界，讓機器人真正走向開放的現實？

今年 2 月，原力靈機發布了第一代原生具身基礎模型 DM0。根據官方介紹，DM0 驗證了在可控環境下，通過正確的數據、有效的優化和可靠的評測，VLA 模型可以學會一系列復雜動作任務。

今天原力靈機正式發布的 DM0.5 往前推進了一步。它不只是繼續提高某些固定任務上的表現，而是圍繞真實世界里的泛化問題做了一次系統突。

原力靈機將 DM0.5 的核心提升總結為五個方面：Zero-Shot 能力涌現、Fine-Tuning 更高效可靠、長達 60 秒的記憶能力、面對干擾更魯棒的動作表現，以及跨機型的遷移能力

如果深入分析，就會發現 DM0.5 這幾個核心提升，都是想解決一個問題：如何讓具身模型從可控環境里的能力演示，走向開放環境里的穩定執行。

視頻詳見原文：https://mp.weixin.qq.com/s/3Mu73vHlFi_I7iVsPFW

視頻詳見原文：https://mp.weixin.qq.com/s/3Mu73vHlFi_I7iVsPFW

視頻詳見原文：https://mp.weixin.qq.com/s/3Mu73vHlFi_I7iVsPFW

圍繞真實機器人任務中的長程依賴、語義理解、數據噪聲和動作連續性問題，DM0.5 引入了多項關鍵設計：模型支持長歷史輸入，將過去一段時間的關鍵視覺信息與當前觀測共同建模；訓練中加入具身推理任務，使模型在動作預測之外持續學習任務階段、環境變化和未來動作意圖；動作生成在 Flow Matching 的基礎上，優化了動作匹配監督，減少遙操作節奏差異帶來的時間對齊噪聲；同時，高效的數據清洗管線支持對多來源、多機型、多任務機器人數據進行更精細的清洗、對齊和采樣設計，提高動作監督信號的穩定性。

這些設計共同提升了 DM0.5 在開放環境中的指令理解、長程記憶、動作魯棒性和跨任務泛化能力。模型不僅能夠在 zero-shot 場景下完成更多未見指令，也能在下游 fine-tuning 中更高效地適應真實任務，并在相機變化、人為干擾和不同機器人本體上保持更穩定的執行表現。

高質量數據 + 模型架構創新，讓泛化自然涌現

具身智能行業很容易被新概念吸引：更大的模型、更長的上下文、更復雜的架構。

但真正讓模型變強的，很多時候不是某一個概念，而是大量基礎工作疊加之后形成的結果。

大模型行業已經出現過類似情況。很多領先模型并不一定來自最花哨的架構創新，而是來自更扎實的數據工程、更嚴格的數據標準、更穩定的訓練體系，以及對模型失敗案例的持續反饋。表面上看，大家都在訓練模型；實際上，差距往往發生在訓練之前。

具身模型只會更明顯。

因為機器人數據比文本數據更臟、更復雜，也更難外包。一次機器人遙操作數據里，不只有圖像和語言，還有機械臂狀態、相機視角、關節動作、任務階段、物體變化、操作者節奏，以及環境里的各種偶然因素。

如果數據里有錯誤標注、靜止片段、動作不到位、圖像和狀態不同步，模型并不會自動知道這些是噪聲。它會把這些東西一起學進去，最后在真實部署時表現為抓偏、放錯、重復動作，或者任務中斷。

所以，做具身基礎模型，最關鍵的工作反而不是訓練模型。更難的是：先定義什么是好數據，識別什么是壞數據，把不同來源、不同機器人、不同節奏的數據處理成模型可以學習的穩定信號。

這是理解 DM0.5 的關鍵。

它的幾個技術點看起來分散：歷史記憶、具身推理、軌跡對齊、數據清洗、多機型訓練。但這些點其實都指向同一個目標：減少模型對偶然相關性的依賴，讓模型真正學到任務進展、物體狀態和動作規律。

數據質量，系統性工程

DM0.5 的訓練數據覆蓋了多類來源，包括機器人操作數據、具身導航數據、第一人稱人類操作數據，以及通用多模態視覺語言數據。

機器人本體也不只一種。官方技術報告中提到，數據覆蓋松靈 ALOHA、Galaxea R1 Lite、AgiBot G1、Franka Emika Panda、UR5、ARX5，以及 Dexmal 自研雙臂移動操作機器人。

這些數據的意義，不只是規模更大。對泛化來說，更重要的是它提供了足夠多的機器人本體、任務形態、視覺條件和操作方式，讓模型有機會從不同數據之間抽象出更穩定的規律。

但前提是，數據質量必須過關。

所以，DM0.5 在數據治理上做了幾類關鍵處理。

第一類是去掉明顯錯誤的數據。比如 ROS 記錄中偶爾出現的異常值、突變值、不滿足物理連續性的片段，以及圖像畫面和機器人狀態不一致的數據。

第二類是去掉低信息量數據。比如長時間沒有有效狀態變化或動作變化的靜止幀。這類數據如果大量混進訓練，會降低動作監督密度，讓模型在該響應的時候變得遲鈍。

第三類是去掉低價值動作。比如執行不到位、目標不明確，或者與當前任務目標無關的操作片段。這些數據看起來也是 “真實數據”，但對策略學習來說是噪聲。

第四類是統一動作表示。部分機器人平臺存在冗余自由度，不同關節組合可能對應相近的末端執行器運動。如果不處理，模型會在多個等價但不一致的關節模式之間搖擺。

第五類是重新標注。DM0.5 構建了自動化管線，對錯誤任務標注進行跨模態一致性校驗和修正，讓標簽更貼近真實操作過程。

視頻詳見原文：https://mp.weixin.qq.com/s/3Mu73vHlFi_I7iVsPFW

視頻詳見原文：https://mp.weixin.qq.com/s/3Mu73vHlFi_I7iVsPFW

毫米級高精度 3D Landmark 生成

這些工作不如發布一個新架構醒目，但對具身模型非常關鍵。因為機器人失敗往往不是一個宏大的理論問題，更常見的是某段數據錯位、某類動作標注混亂、某個任務階段沒有被正確表達。

當行業都在談數據量的時候，DM0.5 更值得看的地方，是它把數據質量當成了模型能力的一部分。

三大技術提升，增強泛化能力

數據打好了地基，模型還需要有能力從數據里學到真正有用的規律。

DM0.5 延續 VLA 架構，以 Gemma3 4B 作為多模態主干，搭配 680M 參數的 Action Expert 生成連續機器人動作。相比 DM0，它的重點不是單純堆大模型參數，而是圍繞泛化做了三類增強。

第一類增強，是歷史記憶。

傳統 VLA 策略經常只看當前圖像、當前狀態和當前指令。這對短時任務夠用，但真實任務經常依賴過去發生過的事情。

比如，機器人先拿起杯子擦桌子，最后要把杯子放回原位。杯子被拿走后，當前畫面里已經沒有它的初始位置。如果模型沒有歷史信息，就很難知道原位在哪里。

DM0.5 引入 Context Abstraction Layer，把過去一段時間的視覺信息壓縮成歷史 token，與當前觀測一起輸入模型。官方技術報告中提到，模型最長支持約 60 秒歷史信息。訓練時，歷史幀會經過時間采樣和空間抽樣，并使用隨機歷史長度和歷史增強，讓模型既能利用長歷史，也能在歷史缺失時退化到當前觀測策略。

這讓模型不只是對當前畫面做反應，而是能理解任務進程。

第二類增強，是具身推理。

機器人動作不是孤立的。抓取、移動、對準、放置，背后都有任務階段和目的。如果模型只擬合動作軌跡，很容易學到操作者節奏或環境里的偶然路徑。

DM0.5 在機器人數據中加入 11 類自回歸具身推理任務，覆蓋任務規劃、事件與環境預測、動作生成等方向。模型不僅要預測下一段動作，也要學習現在做到哪一步、接下來會發生什么、當前動作在任務里承擔什么作用。

這相當于讓模型在動作預測之前，先建立對任務邏輯的理解。

第三類增強，從對點到對齊。

遙操作數據有一個很現實的問題：同一個任務，不同采集員的執行速度不同，停頓位置不同，調整動作也不同。如果訓練時把模型輸出和固定時間點強行綁定，模型學到的可能是采集節奏，而不是任務進展。

DM0.5 引入 Trajectory Alignment Layer，把監督從 “固定時間點對齊”，改成 “軌跡進展對齊”。模型輸出固定長度的未來動作片段，訓練時為每個預測動作在真實軌跡中尋找合適錨點，并要求錨點保持單調遞增。

這樣既允許不同演示之間有速度差異，又能保持動作順序不亂。匹配過程還會考慮相鄰錨點之間的軌跡連續性，減少模型跳過抓取、接觸、釋放等關鍵階段的風險。

把這三點放在一起看，DM0.5 的模型設計并不是各做各的功能，而是在解決同一個問題：讓模型從復雜、噪聲很重的機器人數據中，學到更穩定的任務結構。

真實場景評測

DM0.5 的技術報告里列了很多結果，包括 Zero-Shot、Fine-Tuning、仿真基準、導航基準、記憶實驗和魯棒性測試。

這些數字不需要逐項展開。對這類模型來說，更重要的是看它們是否共同指向同一個結論：模型有沒有在不同任務、不同條件和不同環境下表現出更強泛化。

在 Zero-Shot 評測中，原力靈機構建了包含 8 類基礎動作原語和 7 類語義條件約束的任務集。測試對比了 Franka 平臺上的 π0.5-Droid 與 DM0.5-Droid，以及 Dexmal-Mirror 平臺上的 DM0 與 DM0.5。

結果顯示，DM0.5 在大多數動作類別和條件維度上優于對比模型。

相關數值：

這說明它不只是記住固定任務，而是在一定程度上能理解新的動作組合和語言條件。

在 Fine-Tuning 能力上，DM0.5 參與了 RoboChallenge Table30 v2 真機評測。這個評測覆蓋長期記憶、多步順序執行、精細抓放、工具交互和雙手協同等任務，并采用一個模型覆蓋多任務的 Generalist 設置。DM0.5 取得 42% 整體成功率和 61 綜合得分。

視頻詳見原文：https://mp.weixin.qq.com/s/3Mu73vHlFi_I7iVsPFW

這說明它作為基礎模型，能通過微調遷移到更復雜的真實任務里。

這些結果可以作為能力參考，但比榜單更重要的是兩個真實場景實驗。

一個是記憶實驗。機器人需要在 “拿起杯子擦桌子” 任務中記住杯子的初始位置，也需要在 “人類示范放電池” 任務中記住早期示范規則。這直接驗證了歷史信息能否變成后續動作約束。

另一個是魯棒性實驗。在 Franka 平臺的 9 組相機位姿變化測試中，模型整體成功率只有輕微波動，并呈現出 “全局粗定位 + 腕部相機局部精調” 的兩階段策略。面對人為移動目標或短時遮擋，DM0.5 也能根據新的視覺狀態重新調整動作，而不是機械地沿著原始軌跡繼續執行。

這些實驗比單一榜單更有價值。因為真實機器人場景最常見的失敗，不是標準測試集上差幾個點，而是環境一變、物體一動、視角一換，模型就失去控制。

如果 DM0.5 的這些結果成立，它真正釋放出的信號就是：具身模型的泛化能力正在從 Demo 層面，進入可以被系統驗證的階段。

具身模型的競爭，會越來越像系統工程

DM0.5 的意義，不在于它提出了一個完全不同的 VLA 路線，而在于它把具身模型下一階段的競爭重點暴露得更清楚。

早期大家比的是誰能更快做出一個能看的機器人 Demo。接下來比的會是：誰能持續獲得高質量數據，誰能定義清楚任務標準，誰能把真實失敗案例轉化成訓練信號，誰能讓模型在不同本體、不同場景、不同擾動下穩定工作。

這不是單純訓練一個模型的問題，而是一整套系統工程。

模型架構仍然重要，但它只是其中一環。更重要的是訓練前的數據治理，訓練中的任務設計，訓練后的真實評測，以及部署后的反饋閉環。

從這個角度看，DM0.5 最值得關注的不是某一個單點能力。它試圖回答一個更難的問題：當機器人離開可控環境之后，基礎模型如何繼續可靠地工作。

這也是具身智能真正進入深水區的標志。

因為越往后走，行業越會發現，通用機器人不是靠一個漂亮概念堆出來的，也不是靠幾個 Demo 證明出來的。它需要大量不顯眼但關鍵的基礎工作：采集、清洗、標注、對齊、評測、反饋，再把這些工作一輪輪變成模型能力。

這些臟活累活，可能正是泛化能力最真實的來源。

開源地址

• GitHub：https://github.com/dexmal/opendm
• Hugging Face：https://huggingface.co/Dexmal/DM05