核心观点 - 原力灵机开发的DM0.5模型在具身智能评测RoboDojo中登顶，展现了强大的记忆能力和泛化性，并已全面开源，旨在推动行业生态发展[1][8][105] RoboDojo评测表现 - RoboDojo由香港大学、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，难度极高[4] - 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%[5] - DM0.5在RoboDojo综合得分24.90，平均成功率19.34%[8] - DM0.5在Memory维度得分47.74，显著领先第二名GalaxeaVLA的8.61分[11][12] - DM0.5在Cover Blocks任务中三次随机考试均取得100%成功率[9] 其他权威评测成绩 - LIBERO综合成功率99.0%[14] - RoboTwin 2.0简单场景成功率93.6%，复杂场景成功率93.3%[14] - VLA-Arena不同难度成功率分别为89.0%、53.6%、44.1%[14] - RoboChallenge Table30 v2综合得分54.42，成功率43%[14] 核心能力与Demo展示 人类示教与记忆能力 - DM0.5支持最长60秒的原生长记忆能力，能深度记住并连贯审视自身动作序列[27] - 基于长记忆，模型可直接理解人类演示的视频片段，实现一次示教即复制[20][28] - 该能力解决物理世界长尾任务泛化性不足的问题，引入Human-in-the-Loop[24] 精细操作能力 - 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[32] - 积木拼装精度在0.1到1毫米尺度内，超越人手约0.3到1毫米的自然抖动极限[35] - 机器人具备自动纠错能力，能通过先对准再抖动下压的“寸劲儿”完成扣合[38][40] - 削黄瓜demo中，模型能实时闭环调整刀深和力道，适应柔性物体形态变化[43] 长程稳定高节拍 - 在物流分拣场景中，DM0.5不依赖预设脚本，纯靠实时视觉识别和决策[53] - 平均3秒一单，准确率超过99%[53] 抗干扰能力 - DM0.5采用分层双系统架构，即System1与System2[60] - Sys2负责理解、拒绝与大局预判，Sys1负责长程复杂任务中的琐碎细节[61] - 外部视点剧烈变化时，通用Picking鲁棒性依然极强[62] - 人类强行打断任务，机器人能准确理解当前状态并自适应修正后续动作[64] 技术实现核心变量 数据 - 真机数据：5万小时高精度操作，覆盖100+种丰富动作[77] - Ego数据：10万小时场景视频，支持毫米级高精度3D Landmark生成[77] - 仿真数据：100万平空间数据建模复杂室内环境[76] - 采用omni融合思路解决数据量问题，注重质量而非单纯硬采[79][80] 架构三大创新 - 原生长记忆：在上下文抽象层做大量工作，通过高效信息压缩技术，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[83][84] - 具身思维链：设计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[88] - 构造“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[89] - 对齐式动作监督：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问题[91] 推理效率优化 - 模型核心延迟从534.04毫秒降至57.49毫秒，累计加速9.29倍，延迟降低89.2%[100] - API延迟p50为67.75毫秒，p90为70.01毫秒[100] - LIBERO成功率从98.45%降至98.40%，精度基本无损[100] - 优化包括Vision TRT静态图+FP8、Tuned FlexAttention、Triton fused小核等[101] 开源与生态 - DM0.5已全面开源，包括模型权重、训练框架、下游任务工作流[105][106] - 开源地址：GitHub (https://github.com/dexmal/opendm)、Hugging Face (https://huggingface.co/Dexmal/DM05)、Tech Blog (https://www.dexmal.com/blog/dm0)[113] - 开源旨在推动具身智能行业更透明的讨论、更真实的评测和更多公开的工作[112] - 公司认为物理AI早期不成熟，需要像Transformer开源推动ChatGPT一样，让方法论可被复用[112]