具身智能行业正在从一个极端走向另一个极端。上半年，行业争论最多的问题是「具身智能到底有没有商业化的可能」；

而现在，几乎每家公司都在宣布自己「已经商业化」，每家都能拿出一条打光精致、动作流畅、卡点精准的 demo 视频。

最典型的一幕，出现频率高到近乎行业标配：一条物流传送带，一台机器人给包裹翻面——不管机器人构型是否适合这个任务，这个镜头几乎已经成为具身智能公司的「标准答卷」。

但很少有人接着往下问三个问题：

• 这条 demo 是奔着落地去的，还是只是一次摆拍？
• 翻包裹这个动作，是模型驱动完成的，还是工程师手动调出来的？
• 更关键的是——这个模型换一个场景，还能不能接着干活？

这也是原力灵机训练 DM0.5 时反复回答的基准问题：不是模型能不能演给你看，而是它能不能被规模化地用起来。

DM0.5 是原力灵机面向开放世界的通用具身基础模型，试图从三个维度给出答案：多个权威评测上的均衡表现、系统级的推理效率优化，以及从架构层面贯穿始终的「具身原生」设计理念。

1、全科优秀，而非单科满分

单一榜单的高分，在具身智能领域一向被过度解读。

一个模型在某个仿真评测集上表现优异，不代表它换一个机器人本体依然稳定；

一个模型在某类任务上领先，也不代表它切换到导航或全身控制任务时同样从容——针对性优化很容易在特定评测框架下堆出高分，但这种优化未必能迁移到框架之外的真实场景。

DM0.5 选择的路径是覆盖，而非押注单一评测。

在真机与仿真评测中，DM0.5 均刷新了纪录：LIBERO 综合成功率达到 99.0%，RoboTwin 2.0 简单和复杂场景下成功率分别达到 93.6% 和 93.3%，VLA-Arena 不同难度设置下的成功率分别达到 89.0%、53.6%、44.1%。

同时, 在导航场景仿真测试中，R2R 和 RxR 的 Val-Unseen 成功率分别达到 59.7% 和 65.5%，相比所有基线方法均取得了显著优势。

更值得关注的是真机评测 RoboChallenge Table30 V2 的表现——面对 ARX5、UR5、ALOHA、Dexmal-Mirror 四种异构机型、30 个复杂任务，DM0.5 以 43.0% 的整体成功率、54.42 的综合得分位列第一。

分平台看，ARX5 与 UR5 两个单臂平台成功率分别达到 67.2% 和 70%；而在难度更高的双臂协同任务上，模型同样保持了稳定的空间定位与动作时序规划能力。

单臂表现好，双臂没有明显掉队——这正是判断一个模型是「全面」还是「偏科」的关键信号。

支撑这种均衡表现的，是一套体量可观的数据底座，三种数据源分别对应三个不同的问题：

• 5 万小时高精度真机操作数据，覆盖超过 100 种动作，解决真机精度问题，实现秒级精细指令对齐；
• 10 万小时 Egocentric 场景视频，解决场景多样性问题，支撑毫米级 3D Landmark 生成；
• 100 万平方米场景重建数据，解决仿真-真实一致性问题，用以缓解 Sim2Real Gap。

三个数据源共同支撑起模型在导航、抓取、全身控制三大任务类型、六类机器人本体上的覆盖能力——从 Franka 单臂到 Dexmal-Mint 双臂，从 Pick、Put、Cover、Rotate、Push、Pull、Wipe、Stack 八项核心原子动作，到颜色、形状、大小、位置关系、长序列指令等复杂指令遵循，模型在多个维度上没有出现明显的能力凹陷。

相较 DM0，DM0.5 的 Zero-shot 成功率提升 31%，Few-shot 提升 45%，Fine-tuning 提升 20%。

三项指标同步提升，而非某一项单点突破，这一点值得留意——它说明能力的提升来自架构和数据的系统性优化，而不是针对某个测试场景的定向调优。

2、系统级推理优化，单卡实现超 9 倍加速

推理速度在实验室场景中常常被低估，但在真实部署中，它是决定一个模型能否可用的硬性约束——机器人的每一次动作决策，都需要在物理世界的实时节奏内完成。

延迟越高，交互的滞后感越明显；滞后感累积到一定程度，模型在人机协作、动态干扰等场景中会直接失去可用性。

原力灵机 DM0.5 没有停留在优化某个 kernel，而是让整套 VLA 推理系统快了一个数量级：

联合优化 Vision TensorRT、Tuned FlexAttention、FP8 E4M3 Tensor Core Prefix MLP、Triton Suffix 融合算子，以及启动期 CUDA Graph，将在线执行压缩为「静态数据搬运 + 一次 graph replay」，不再需要请求时反复 capture。

让具身智能模型从 500ms 级执行迈入 60ms 级模型推理、70ms 内在线响应。

模型核心延迟从 534.04 毫秒降至 57.49 毫秒，单卡实现 9.29 倍推理加速，延迟降低 89.2%；

线上 API 响应 p50 为 67.75 毫秒，p90 为 70.01 毫秒。而在 2,000 个 LIBERO episodes 上的验证显示，精度几乎无损，从 98.45% 降至 98.40%——速度提升没有以牺牲精度为代价。

另外依靠算法的极致优化，如今仅需一块 4090 消费级显卡，即可在 18 小时内 完成一个全新下游任务的专家级微调训练，彻底打通真机部署的成本壁垒。

3、具身原生：架构创新是持续领先的根本

前两点解决的是能力与效率的问题，第三点更接近根本——DM0.5 的架构设计从起点就是面向具身任务，而非在通用语言模型基础上做适配性改造。这体现在三处架构创新上。

上下文抽象层让 DM0.5 原生支持最长 60 秒的记忆能力，模型能够记住自己此前的动作序列，这是长程任务的必要条件——桌面收纳场景中「记得来处，才能准确放回原位」，正是这一能力的直接体现。

基于这一长记忆特性，模型进一步解锁了 Video Prompt 能力：机器人观看一段人类示教视频后，能够即时对齐并完成任务，交互方式不再局限于语言指令。

具身思维链任务回应了一个业内普遍存在、却较少被明确讨论的问题：缺乏语言理解能力的 VLA 模型，本质上更接近动作数据集的复读机。

原力灵机 DM0.5 通过任务规划与动作生成两大类、11 项推理任务，让模型对「指令、本体、环境」进行三方联合建模，其中反事实任务的构造，要求模型真正理解指令背后的意图，而非记忆动作模式——这也是前述 Zero-shot、Few-shot 成功率能够同步提升的技术基础。

轨迹对齐层解决的是一个更工程化的问题：动作监督从「逐点对齐」转为「轨迹对齐」，借助约束动态规划计算最优匹配，解决动作轨迹不一致的问题，使动作学习本身更稳定，模型在精细操作上具有更明显的优势。

在这套架构之上，DM0.5 引入了双系统机制（Sys2 + Sys1）：Sys2 负责理解、拒绝干扰与大局预判，Sys1 负责高频高质的动作响应。

这一机制直接体现为模型的抗干扰能力——面对相机视角骤变、面对人类动作突然打断，模型仍能保持对当前状态的准确判断，并自适应修正后续动作。

这类能力通常不会单独出现在评测榜单上，却是决定模型能否走出摄影棚、走进真实产线的关键变量之一。

4、全面开源：把模型交给开发者社区去检验

原力灵机一直坚持推进开源，协同全球开发者打造真正的具身智能生态。

上个月，在国际电信联盟（ITU）具身智能焦点组（FG-EAI）首次线下会议上，原力灵机（Dexmal）正式当选 WG9「开源生态（Open Source Ecosystem）」工作组组长单位。

DM0.5 不只是原力灵机的基础模型，也是一个能被整个社区共同使用、共同打磨的开放基座。原力灵机正将更多模型权重、跨平台部署案例和应用实践开放。

目前，DM0.5 已全面开源，模型权重、训练框架，以及从 LIBERO 到 RoboTwin2、RoboChallenge 再到 SO101 的多个下游任务完整工作流，已陆续在 GitHub 与 Hugging Face 上开放。

相比再拍一条更精致的 demo，把模型交给开发者社区去检验，或许是回答「能否真正进场景」这个问题更直接的方式。

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：

模型能够快速适配 SO101，并同步开源相关模型、数据集及完整 LoRA SFT 训练工作流，为开发者提供可复现、可扩展的实践参考。