DM0
可控场景下的具身基础模型
DM0 能够完成在可控环境下的一系列复杂动作任务的学习，验证了视觉、语言与动作统一建模的潜力。
从 DM0 到 DM0.5
把可控环境中的复杂动作学习，推进到开放环境中的稳定任务执行。
DM0.5
面向开放世界的通用具身智能基础模型
一个通用机器人基础模型，不能只在固定场景完成既定的任务。
了解 DM0.5 模型
延续 VLA 架构，以 Gemma3 4B VLM 作为多模态主干，并配置 680M Action Expert 生成连续机器人动作。
历史信息融合
通过引入历史帧，让模型可以通过短期情境记忆帮助决策。
广泛的具身推理
在机器人数据中引入 11 种不同的自回归任务，在训练时同步强化指令遵循、动作预测和时序环境感知能力。
动态动作匹配
通过动态动作匹配，提升动作生成的平滑性、鲁棒性和跨采集员节奏泛化能力。
DM0.5 核心优势
Zero-Shot 能力涌现、Fine-Tuning 高效可靠、长记忆能力、动作更加鲁棒、多机型支持。
为评估模型在未见任务配置下的 Zero-Shot 泛化能力，从动作类型和条件约束两个维度系统测试其任务执行表现。
- 动作维度涵盖以下 8 类基础操作原语：pick、put、move、pull、cover、wipe、stack、press。
- 条件维度包括颜色（color）、形状（shape）、尺寸（size）、状态（status）、执行序列（sequence）、相对位置（relative position）及绝对位置（absolute position）共 7 类语义约束。
使用 RoboChallenge Table30 v2 评测 DM0.5 的真实机器人桌面操作能力。
Table30 v2Success Rate43.0
LIBEROAverage99.0
RoboTwin2.0Average93.5
R2R Val-UnseenSuccess Rate59.7
RxR Val-UnseenSuccess Rate65.5
- Table30 v2DM0.5 在 Table30 v2 上取得了 SOTA 的整体效果，整体 Success Rate 为 43%，综合 Score 为 54.42。
- Fine-Tuning 高效可靠一个更强的基础模型才能够带来更强的下游专家模型，不仅在特定任务上训练效果更好，成本也更节省。
历史记忆能力用于衡量模型是否能够将过去观测整合为当前决策的上下文。
- 人类示范学习DM0.5 同样使用超过一分钟的历史视觉信息，使模型能够将早期示范转化为后续操作策略，并在跨阶段执行中保持规则一致性。
- Video PromptVideo Prompt 能够成为一种新的指令表述形式，让机器人能够以 In Context Learning 的方式完成新的任务。
面对光照、相机视角变化以及人为干扰，DM0.5 仍能保持稳定可靠的策略执行表现。
测试成功率
左一 / 右一100%
左二 / 右一90%
左三 / 右一80%
左一 / 右二90%
左二 / 右二90%
左三 / 右二90%
左一 / 右三80%
左二 / 右三90%
左三 / 右三90%
- 相机变化第三视角相机的位置发生变化，整体任务成功率仅呈现轻微波动，未出现系统性显著下降。
- 人为干扰当容器位置和朝向发生变化后，模型没有依赖原始固定轨迹，而是根据新的视觉状态重新调整机械臂末端位置与动作方向。
更强的指令理解与动作执行能力
实验结果表明，DM0.5 在大多数评测维度上均显著优于 PI05-Droid 和 DM0。
让真实世界成为训练环境
面向开放世界的能力建设中，DM0.5 不是把更多任务装进模型，而是让模型具备面对未知任务、未知场景和未知干扰的基础能力。
更长的记忆
将记忆结果纳入当前决策，让机器人理解任务进程。
更开放的理解
从固定任务表走向自然语言指令和开放条件组合。
更稳定的行动
在环境变化时，仍能继续完成任务。