过去两年，视觉-语言-动作（VLA）模型的快速发展让具身智能领域充满活力。实验室中，机器人逐渐展现出听懂指令、识别物体的能力，一系列精彩演示引发行业热议。然而，当这些模型走出精心设计的实验环境，面对光照变化、视角偏移和人为干扰时，其泛化能力的脆弱性便暴露无遗。如何让机器人摆脱预设任务的限制，真正适应开放现实场景，成为全行业共同面临的挑战。
今年，原力灵机推出的第二代原生具身基础模型DM0.5，在解决这一问题上迈出关键一步。与前代DM0专注于可控环境下的任务验证不同，DM0.5将研发重点转向真实世界中的泛化能力，通过系统性技术创新，推动具身模型从能力演示向稳定执行转变。其核心突破体现在五个方面：零样本学习能力显著提升、微调效率与可靠性增强、支持长达60秒的记忆回溯、抗干扰动作表现更稳健，以及跨机型迁移能力大幅优化。
在具身智能领域，模型性能的提升往往源于基础工作的积累而非单一概念创新。大模型行业的经验表明，领先模型的优势常来自扎实的数据工程、严格的数据标准和稳定的训练体系，而非架构的复杂程度。这一规律在具身模型中尤为明显——机器人数据包含图像、语言、机械臂状态、相机视角、关节动作等多维度信息，且存在标注错误、静止片段、动作不到位等噪声问题。若数据质量不过关，模型会将这些噪声一并学习，导致真实部署时出现抓取偏差、任务中断等故障。因此，构建具身基础模型的核心挑战在于定义数据标准、识别噪声数据，并将异构数据转化为稳定的学习信号。
DM0.5的训练数据覆盖机器人操作、具身导航、第一人称人类操作及通用多模态视觉语言数据，涉及松灵ALOHA、Galaxea R1 Lite、AgiBot G1、Franka Emika Panda、UR5、ARX5及Dexmal自研双臂移动操作机器人等多类平台。这种多样性为模型抽象出稳定规律提供了基础，但前提是确保数据质量。为此，研发团队实施了五类关键处理：剔除ROS记录中的异常值、突变值及物理不连续片段；过滤长时间无有效状态变化的静止帧；移除执行不到位或与任务无关的低价值动作片段；统一不同机器人平台的冗余自由度表示；通过自动化管线修正错误任务标注，确保标签与操作过程一致。
在模型架构层面，DM0.5延续VLA框架，以Gemma3 4B作为多模态主干，搭配680M参数的Action Expert生成连续动作。其创新重点不在于扩大模型规模，而是通过三类增强设计提升泛化能力：一是引入历史记忆模块，通过Context Abstraction Layer将过去60秒的视觉信息压缩为历史token，与当前观测共同输入模型，训练时采用随机历史长度和增强策略，使模型既能利用长历史信息，也能在历史缺失时退化至当前观测策略；二是增加具身推理任务，在机器人数据中加入任务规划、事件预测等11类自回归任务，使模型在预测动作前先理解任务逻辑；三是优化轨迹对齐机制，通过Trajectory Alignment Layer将监督从固定时间点对齐改为轨迹进展对齐，允许不同演示节奏差异的同时保持动作顺序，并考虑相邻锚点间的连续性，减少关键阶段遗漏风险。
真实场景评测显示，DM0.5在零样本学习、微调迁移、记忆回溯和抗干扰能力等方面均表现优异。在零样本任务评测中，模型在8类基础动作原语和7类语义条件约束的任务集上，显著优于前代模型及对比基线，表明其能理解新的动作组合和语言条件；在RoboChallenge Table30 v2真机评测中，模型以42%的整体成功率和61的综合得分，验证了其作为基础模型通过微调迁移至复杂真实任务的能力；记忆实验中，机器人在“拿起杯子擦桌子”任务中准确记住初始位置，在“人类示范放电池”任务中遵循早期规则；鲁棒性测试中，面对相机位姿变化、目标移动或短时遮挡，模型能根据新视觉状态调整动作，而非机械执行原始轨迹。
DM0.5的代码与模型已开源，开发者可通过GitHub和Hugging Face平台获取相关资源。
