機器人前瞻（公眾號：robot_pro）
作者 | 江宇
編輯 | 漠影
機器人前瞻2月11日報道，昨日，原力靈機在首次技術(shù)開放日Dexmal Open Day上，集中發(fā)布了具身原生大模型DM0、具身原生開發(fā)框架Dexbotic2.0、以及具身原生應用量產(chǎn)工作流DFOL三項技術(shù)成果。
這是原力靈機自2025年成立以來，首次對外完整呈現(xiàn)其具身智能的技術(shù)體系，覆蓋模型訓練、框架開發(fā)到工程部署的全鏈路。
在當前業(yè)內(nèi)多數(shù)具身智能公司仍處于單點技術(shù)驗證階段之際，原力靈機選擇直接奔向具身智能的“原生時刻”。
在技術(shù)開放日之前，創(chuàng)始團隊四位核心成員——CEO唐文斌、范浩強、周而進與汪天才接受了包括機器人前瞻在內(nèi)的媒體采訪。
他們透露：過去一年，原力靈機重點搭建了具身智能基礎(chǔ)設施與業(yè)內(nèi)首個真機評測平臺RoboChallenge，補上行業(yè)長久以來缺失的“評測地基”。
而現(xiàn)在，原力靈機在此基礎(chǔ)上推出了具身原生大模型DM0，作為這一體系的階段性答卷。
一、2B參數(shù)登頂真機榜單，是“智能密度最高”的具身大模型
在模型普遍以參數(shù)量為主要競爭指標的當下，DM0展現(xiàn)出一種不同的突破方式。
其推出的具身原生大模型DM0，在真機評測平臺RoboChallenge的30多個桌面級任務中取得了最高綜合得分，成為首個同時拿下“單任務”和“多任務”雙榜第一的具身大模型。
▲真機評測目前位列RoboChallenge-Table 30全球第一
盡管參數(shù)量僅為2.4B，DM0在毫米級工業(yè)操作中依然展現(xiàn)出高度穩(wěn)定的執(zhí)行性能。
這一結(jié)果不僅打破了“大模型=高性能”的簡單疊加邏輯，也釋放出一個明確信號：在具身智能場景下，智能密度或許比參數(shù)體量更值得關(guān)注。
原力靈機團隊認為，“DM0只有2.4B參數(shù)，但它理解‘拿起杯子’和‘輕輕放下杯子’的區(qū)別——這不是參數(shù)量能堆出來的，這是原生設計帶來的物理直覺?！?/p>
而何為“原生設計帶來的物理直覺”？
正如原力靈機合伙人周而進所言：“我們不是拿一個現(xiàn)成的VLM（視覺語言模型），再外掛一個動作頭。而是從VLM的第一天起，就把具身數(shù)據(jù)加了進來，從頭訓練出來的?！?/p>
他將這種方式比作嬰兒學習：“就像人類嬰兒，不是先會說話、再學找奶瓶，而是從出生那一刻起就在和物理世界打交道。”
也正因此，DM0從數(shù)據(jù)到結(jié)構(gòu)，都是為具身任務量身定制的。
▲應用場景案例：掃碼計價格
其訓練融合互聯(lián)網(wǎng)多模態(tài)數(shù)據(jù)、駕駛行為數(shù)據(jù)與具身多傳感數(shù)據(jù)，通過“空間推理鏈”機制，將感知、理解與動作生成打通為閉環(huán)。
其訓練流程分為三個階段：首先在視覺-語言數(shù)據(jù)上完成VLM預訓練，其次在多任務跨機型的具身數(shù)據(jù)上進行空間推理建模，最后通過SFT完成硬件適配。正是這一從零構(gòu)建的范式，使DM0打破了微調(diào)模型的性能上限，具備更強的泛化與執(zhí)行能力。
在操作泛化方面，DM0預訓練覆蓋了操作、導航、全身控制3類任務。目前，DM0已覆蓋UR、Franka、ARX、Aloha等8類主流機器人機型，目標是推進具身模型從“一機一模型”走向“通用策略”。
此外，DM0采用高分辨率圖像輸入，并控制在60ms內(nèi)推理延遲，在4090、5090等在消費級顯卡上就能進行二次開發(fā)與微調(diào)。
周而進解釋道，目前不少VLA模型仍采用224至384的輸入分辨率，這在執(zhí)行精細動作時容易因像素誤差放大而影響表現(xiàn)。因此，原力靈機團隊針對精細操作場景設計了728×728高分辨率輸入，并希望模型能直接處理720P級別的視頻畫面，同時盡可能控制精度損失。
DM0當前已在Hugging Face、GitHub等平臺完成代碼與權(quán)重開源，同時發(fā)布了RoboChallenge Table30全套評測任務的推理代碼 。
在DM0開源的基礎(chǔ)上，原力靈機也披露了后續(xù)的技術(shù)推進計劃。
團隊透露，2026年，原力靈機將持續(xù)發(fā)布新一代具身模型，擴展路徑不僅包括參數(shù)規(guī)模的增長，還將涵蓋更豐富的數(shù)據(jù)維度、更大規(guī)模的真機強化學習實驗，以及任務類型與執(zhí)行時長的進一步拉長。
具體而言，未來模型將支持更長鏈條的復雜任務，從當前的3-5分鐘延伸至十分鐘以上，并計劃引入結(jié)合world model與memory的閉環(huán)架構(gòu)。
二、從訓練到部署，這家公司在補上具身智能的工程斷層
在模型之外，原力靈機這次同步升級并開源了具身原生開發(fā)框架Dexbotic2.0。
相比單點算法更新，這套框架更直接指向一個現(xiàn)實問題：具身智能到底該如何被高效地開發(fā)、復用和驗證。
原力靈機合伙人汪天才透露，自2025年10月推出1.0版本以來，已有數(shù)十家機構(gòu)與高校、上千名開發(fā)者使用該框架。此次升級的2.0要進一步擴大它在具身生態(tài)中的職能范圍，降低具身算法開發(fā)門檻。
Dexbotic2.0以“V（視覺）、L（語言）、A（動作）”為模塊化組合方式，允許開發(fā)者自由替換子模塊，快速實驗任務流程。
▲插線板
正如原力靈機團隊所言：“PyTorch讓每個研究者都能快速驗證想法，我們希望Dexbotic2.0也能做到類似的事情——讓開發(fā)者能用‘樂高式’方式搭建自己的具身應用。”
該框架支持Libero、CALVIN、ManiSkill等主流仿真環(huán)境與SO-101、DOS- W1等真機平臺。
為了構(gòu)建更完整的開發(fā)生態(tài)，原力靈機還聯(lián)合清華大學、無問芯穹團隊，打造統(tǒng)一模仿學習與強化學習開發(fā)鏈路，推動“具身智能的PyTorch”生態(tài)成型。
如果說模型與框架回答的是“如何訓練”，DFOL方案針對的就是“如何上線”。
這是原力靈機發(fā)布的用于機器人在真實場景中持續(xù)進化的部署系統(tǒng)，其核心是“數(shù)據(jù)回流閉環(huán)”：機器人現(xiàn)場執(zhí)行任務時自動采集訓練片段（episode）與負樣本（chunk），回傳至云端，更新策略后再次部署。?
▲工裝上料以及扣合
其部署方式已覆蓋工件裝配、布料分揀等任務，并控制在兩天內(nèi)完成從數(shù)據(jù)采集到穩(wěn)定輸出的流程。
原力靈機團隊認為：“具身智能的死亡之谷不是技術(shù)問題，是工程問題、是成本問題、是規(guī)?；瘡椭频膯栴}。”
三、數(shù)據(jù)不只看時長，落地不靠想象，這支團隊選了一條難而正確的路
隨著交流逐步深入，我們也對原力靈機團隊的長期規(guī)劃產(chǎn)生了不少好奇。
這家成立時間并不算長的公司，已經(jīng)呈現(xiàn)出相對完整的技術(shù)體系。其團隊成員幾乎全部來自“AI 1.0”時代，擁有在曠視打磨視覺模型和軟硬協(xié)同方向的實戰(zhàn)經(jīng)驗，部分成員也曾主導CV技術(shù)的產(chǎn)業(yè)化落地。
我們關(guān)心的問題主要集中在兩個方向：具身數(shù)據(jù)該怎么擴展、商業(yè)化節(jié)奏如何把握。
團隊談道，目前訓練中使用的互聯(lián)網(wǎng)、自駕數(shù)據(jù)遠多于具身數(shù)據(jù)，但在使用過程中會動態(tài)調(diào)整配比，三類數(shù)據(jù)基本以均衡比例參與訓練。
▲DM0由多源數(shù)據(jù)混訓
在Scaling路線圖上，他們明確提出：這不應只看“小時數(shù)”的增長。原力靈機創(chuàng)始團隊成員范浩強認為，Scaling是一個多維擴展過程，要兼顧任務復雜性、環(huán)境真實性，2025年的目標是從“萬小時”躍遷至“幾十萬小時”級別。
汪天才則補充，除了總時長，還必須同時提升“訓練方式質(zhì)量、數(shù)據(jù)質(zhì)量、模型參數(shù)”三條軸線。他認為，當前行業(yè)中一些模型智能密度不高，根源在于訓練方式本身的不足。
針對當前行業(yè)中“用視頻訓練機器人”的做法，原力靈機團隊也表達了自己的看法。他們認為，視頻是一種重要的數(shù)據(jù)形式，但并非全部，尤其在具身智能中遠遠不夠。
周而進打了一個比方：“就像你把梅西所有踢球的視頻都看了一遍，也不代表你會上場踢球。看優(yōu)秀運動員的視頻肯定有幫助，但不替代你在場上親自去找感覺。”他認為，視頻可以提供感知上的豐富性，卻無法支撐機器人對物理世界的直接控制。
在他們看來，當前能較為完整刻畫物理世界的三類數(shù)據(jù)，分別是互聯(lián)網(wǎng)多模態(tài)數(shù)據(jù)、駕駛行為數(shù)據(jù)與具身多傳感數(shù)據(jù)。其中具身數(shù)據(jù)又包括室內(nèi)導航與操作類數(shù)據(jù)，是目前唯一能覆蓋閉環(huán)決策與控制的樣本來源。
對于外界最關(guān)心的商業(yè)化問題，原力靈機創(chuàng)始人兼CEO唐文斌將當前產(chǎn)品形態(tài)劃分為兩類：一是面向客戶的端到端方案，原力靈機要負責從算法到硬件系統(tǒng)的完整交付，更接近Solution Provider（解決方案提供商）的角色，在業(yè)務方向主要集中在工業(yè)和物流場景，聚焦倉儲和產(chǎn)線。二是面向科研場景的標準化產(chǎn)品，例如數(shù)據(jù)采集機型等，用于支持生態(tài)開發(fā)。
談及業(yè)界對“閉環(huán)落地”的預期，范浩強判斷：“2026年閉不了環(huán)”是目前的共識。2025年仍是探索期，2026年可能出現(xiàn)真實使用的案例，而真正達到幾十套、上百套的部署規(guī)模，仍要等到2027年之后。
結(jié)語：從框架、訓練到應用，原力靈機釋放“工程型供應商”的信號
當前具身智能領(lǐng)域，很少有團隊能像原力靈機這樣，把模型、框架、部署三段流程做成體系并對外發(fā)布。
在成立不到一年的時間里，這支由曠視系核心成員唐文斌、范浩強、周而進、汪天才等組成的團隊，已完成模型開源、框架應用落地、系統(tǒng)級部署方案構(gòu)建，邁出了向工程型系統(tǒng)供應商過渡的關(guān)鍵一步。
當行業(yè)尋找具身智能從實驗室走入工廠、物流、家庭的落地邏輯時，原力靈機已先拋出了他們的版本。
