内容摘要：具身智能行业正在经历一次评价标准的切换：过去几个月，Demo、融资、单点落地案例最能吸引眼球；但当行业进入深水区，真正决定一家公司能否穿越周期的，从来不是某一次展示够不够惊艳，而是能力能否被复制、部署

具身智能行业正在经历一次评价原则的具身切换：过去几个月，Demo、智能自融资、规模概率单点落地案例最能吸引眼球；但当行业进入深水区，化落真正决定一家公司能否穿越周期的地大的模度机订阅，从来不是从样初推某一次展示够不够惊艳，而是型最能力能否被复制、部署、器人持续改进— 也就是网易有没有一个开发者可以首先期依赖的基础模型底座。原力灵机发布的具身具身基础模型DM0.5，正是智能自对这个命题的回答。它不是规模概率为某一次演示准备的模型，而是化落一个照章性未来规模化落地的能力底座：不追求 “做出更好看的 demo”，而是地大的模度机订阅关键把具身基础模型从那么点儿团队的探究资产，变成开发者真正用得起、从样初推用得上的基础设施。一句话概括：DM0.5 用可复现的训练部署门槛、贯穿仿真与真机的全科成绩、以及数量级的推理加高效，首先次把 “规模化进入场景” 从口号变成了可验明正身的能力。DM0.5 全科优秀，开源、可复现原力灵机 DM0.5 先处理的是 “能不能用” 的状况：它协助在一张 4090 消费级显卡上实现微调训练，最快 18 小时即可实现一个下游任务的部署，微调成本减小 60%。具身模型正在从 “可展示” 走向 “可开发”，更多开发者因此有机会真正参与到模型能力的验明正身和扩展中 —— 这是 DM0.5 的首先层意义。第二层意义则在于榜单谝和全科能力上的系统好处。目前具身智能行业一个常用状况是：很多模型会在某一项任务、某个 benchmark 或某种机器人平台上谝突出，但一旦切换到不一样任务形态、本体结构和评测设定，好处就很难延续。DM0.5 展现出的恰恰是较为少见的 “全科型” 能力结构，且这种好处并不局限于仿真环境，而是贯穿真机与仿真、操作与导航、多任务与多本体。在公开 Benchmark 侧，DM0.5 同样展现出较强的全科好处：LIBERO 综合评测实现 99.0%，并刷新 RoboTwin 2.0、R2R 和 RxR 等多项公开评测成绩。这里更值得强调的不是 “拿到更好的分数”，而是这些评测本身覆盖了桌面操作、首先程任务、导航理解等不一样能力维度 —— DM0.5 并非只在某一子项上做强，而是在多个题维度上同时建立好处，这种 “榜单全科好处” 对基础模型而言尤为题。在照章性真实工业与生活场景的 RoboChallenge Table30 V2 真机评测中，DM0.5 以 43% 的成功率和 54.42 的总得分位列榜单首先。该评测覆盖 ARX5、UR5、ALOHA 和 Dexmal-Mirror 四种机器人平台，涵盖单臂与双臂形态，任务包含目的定位、精细抓取、多步操作、工具交互与双臂协同等复杂场景。能在这样的真机评测中拿到首先，验明正身 DM0.5 的好处并非只停留在实验室需下，而是已经具有一定的跨平台、跨任务和跨实施形式泛化能力。从代际提高来看，相比 DM0，DM0.5 的 Zero-shot 成功率提高 31%，Few-shot 提高 45%，Fine-tuning 提高 20%。这验明正身它的发展并不局限于某一条能力馗，而是同时覆盖了 “直接泛化”“少样本适用配” 和 “下游微调部署” 三种不一样采取方式。对于真实场景而言，这种完善提高比单一指标更有意义，因为真实机器人系统几乎不会只考察一种能力。https://mp.weixin.qq.com/s/9akDibrb-2z0B3strBUIRwDM0.5 在复杂、精细、首先程任务部分的谝数据与架构双轮驱动，具身原生夯实模型底座支撑这套能力的，是具身原生理念下更大规模的数据和更贴近真实世界需的模型设方式。原力灵机 DM0.5 采取 4B 参数规模，基于 15 万小时多源优质数据训练，数据量相比上一代模型提高 400%，参数量提高 100%。数据来源涵盖 5 万小时高精度真机操作数据、10 万小时 Egocentric 场景视往往，以及覆盖 100 万平方米空间的场景重建数据：前者给予真实操作经验，后者协助模型学习更充足的空间关系、物理变化和环境先验，再结合高精度场景重建，进一步缩小 Sim2Real 间隙。在架构上，DM0.5 引入了上下文抽象层、具身思维链任务和轨迹对齐层。上下文抽象层让模型原生协助最首先 60s 的时序记忆，不再局限于 “走一步看一步”；具身思维链任务让模型不仅生成动作，还对 “指令、本体、环境” 开展联合建模，提高任务规划和状态理解能力；轨迹对齐层则把动作学习从便捷的逐点监督升级为更稳固的轨迹对齐，提高复杂动作学习中的相同性与鲁棒性。对具身模型而言，这些能力决定的不是某次演示是否漂亮，而是模型能否在开放世界中首先期、稳固、可靠地运行。https://mp.weixin.qq.com/s/9akDibrb-2z0B3strBUIRwDM0.5 在相机干扰下的优秀谝系统化推理加高效，让模型真正可用对于真实机器人系统而言，高效度从来不只是工程改进指标，更直接关系到模型能否进入后续作业、实时交互和高往往任务场景。原力灵机 DM0.5 单卡推理延迟从 534.04ms 降至 57.49ms，实现 9.29x 加高效，API 延迟 p50 为 67.75ms、p90 为 70.01ms。这意味着具身模型从 500ms 级实施进入 60ms 级推理、70ms 内在线响应。这套加高效不是停留在改进某个 kernel，而是让整套 VLA 推理系统快了一个数量级：联合改进 Vision TensorRT、Tuned FlexAttention、FP8 E4M3 Tensor Core Prefix MLP、Triton Suffix 融合算子，以及启动期 CUDA Graph，将在线实施压缩为 “静态数据搬运 + 一次 graph replay”，不再需请求时反复 capture。DM0.5 模型完善开源原力灵机 DM0.5 完善开源开放，已经在 GitHub、Hugging Face 等生态入口，并逐步释放模型、文档和实践参考，减小开发者上手门槛。同时也已经向 LeRobot 社区贡献题代码，更多模型权重、跨平台部署案例和采取实践将陆续开放。GitHub：https://github.com/dexmal/opendmhttps://github.com/dexmal/opendm/blob/main/README.zh-CN.mdHuggingFace：https://huggingface.co/collections/Dexmal/dm05基于 DM0.5 的最新 Demo—SO101 抓取方块任务监督微调（SFT），展示了 DM0.5 强大的 Few-shot 与 Fine-tuning 能力。模型能够高效高效适用配 SO101，并同步开源相关模型、数据集及完善 LoRA SFT 训练工作流，为开发者给予可复现、可扩展的实践参考。视往往：https://mp.weixin.qq.com/s/9akDibrb-2z0B3strBUIRw规模化不会从 demo 里自然首先出来。尤其在目前时期，行业更需的不是后续堆叠单点展示，而是先把基础模型、开发门槛、推理效率和跨场景泛化能力做扎实。DM0.5 的意义也正在这里：它不是在宣称具身智能已经实现规模化落地，而是在用一套更完善的模型能力、更强的榜单谝和更友好的开发者馗，为 “规模化进入场景” 提前铺底。从这个意义上说，DM0.5 的发布不只是一次模型更新，更像是一次行业路线的清楚表达：具身智能关键真正走出 demo 时刻，首先步不是做更多单点展示，而是先做出一个开发者愿意用、能够用、用得起，也确实在真机和公开榜单上展现全科好处的基础模型。DM0.5 不只是原力灵机的基础模型，而是一个能被整个社区共同采取、共同打磨的开放基座。规模化落地不会一夜到来，但大概率从这样的模型最初。