Zero-Shot、长记忆、抗干扰，DM0.5把VLA带进真实世界

机器之心发布

过去两年，VLA（视觉 - 语言 - 动作）模型的爆发，让整个具身智能行业沉浸在一种前所未有的乐观中。机器人开始听懂人话、识别物体，在实验室里跑出一个个令人惊叹的精彩 Demo。然而，当这些模型走出精心搭建的 “剧本环境”，真正面对光照变幻、视角漂移以及人类随意的干扰时，脆弱的泛化性往往让繁荣流于表面 —— 全行业都在心照不宣地面对一个难题：如何拒绝用 “任务表” 来冒充世界，让机器人真正走向开放的现实？

今年 2 月，原力灵机发布了第一代原生具身基础模型 DM0。根据官方介绍，DM0 验证了在可控环境下，通过正确的数据、有效的优化和可靠的评测，VLA 模型可以学会一系列复杂动作任务。

今天原力灵机正式发布的 DM0.5 往前推进了一步。它不只是继续提高某些固定任务上的表现，而是围绕真实世界里的泛化问题做了一次系统突。

原力灵机将 DM0.5 的核心提升总结为五个方面：Zero-Shot 能力涌现、Fine-Tuning 更高效可靠、长达 60 秒的记忆能力、面对干扰更鲁棒的动作表现，以及跨机型的迁移能力。

如果深入分析，就会发现 DM0.5 这几个核心提升，都是想解决一个问题：如何让具身模型从可控环境里的能力演示，走向开放环境里的稳定执行。

围绕真实机器人任务中的长程依赖、语义理解、数据噪声和动作连续性问题，DM0.5 引入了多项关键设计：模型支持长历史输入，将过去一段时间的关键视觉信息与当前观测共同建模；训练中加入具身推理任务，使模型在动作预测之外持续学习任务阶段、环境变化和未来动作意图；动作生成在 Flow Matching 的基础上，优化了动作匹配监督，减少遥操作节奏差异带来的时间对齐噪声；同时，高效的数据清洗管线支持对多来源、多机型、多任务机器人数据进行更精细的清洗、对齐和采样设计，提高动作监督信号的稳定性。

这些设计共同提升了 DM0.5 在开放环境中的指令理解、长程记忆、动作鲁棒性和跨任务泛化能力。模型不仅能够在 zero-shot 场景下完成更多未见指令，也能在下游 fine-tuning 中更高效地适应真实任务，并在相机变化、人为干扰和不同机器人本体上保持更稳定的执行表现。

高质量数据 + 模型架构创新，让泛化自然涌现

具身智能行业很容易被新概念吸引：更大的模型、更长的上下文、更复杂的架构。

但真正让模型变强的，很多时候不是某一个概念，而是大量基础工作叠加之后形成的结果。

大模型行业已经出现过类似情况。很多领先模型并不一定来自最花哨的架构创新，而是来自更扎实的数据工程、更严格的数据标准、更稳定的训练体系，以及对模型失败案例的持续反馈。表面上看，大家都在训练模型；实际上，差距往往发生在训练之前。

具身模型只会更明显。

因为机器人数据比文本数据更脏、更复杂，也更难外包。一次机器人遥操作数据里，不只有图像和语言，还有机械臂状态、相机视角、关节动作、任务阶段、物体变化、操作者节奏，以及环境里的各种偶然因素。

如果数据里有错误标注、静止片段、动作不到位、图像和状态不同步，模型并不会自动知道这些是噪声。它会把这些东西一起学进去，最后在真实部署时表现为抓偏、放错、重复动作，或者任务中断。

所以，做具身基础模型，最关键的工作反而不是训练模型。更难的是：先定义什么是好数据，识别什么是坏数据，把不同来源、不同机器人、不同节奏的数据处理成模型可以学习的稳定信号。

这是理解 DM0.5 的关键。

它的几个技术点看起来分散：历史记忆、具身推理、轨迹对齐、数据清洗、多机型训练。但这些点其实都指向同一个目标：减少模型对偶然相关性的依赖，让模型真正学到任务进展、物体状态和动作规律。

数据质量，系统性工程

DM0.5 的训练数据覆盖了多类来源，包括机器人操作数据、具身导航数据、第一人称人类操作数据，以及通用多模态视觉语言数据。

机器人本体也不只一种。官方技术报告中提到，数据覆盖松灵 ALOHA、Galaxea R1 Lite、AgiBot G1、Franka Emika Panda、UR5、ARX5，以及 Dexmal 自研双臂移动操作机器人。

这些数据的意义，不只是规模更大。对泛化来说，更重要的是它提供了足够多的机器人本体、任务形态、视觉条件和操作方式，让模型有机会从不同数据之间抽象出更稳定的规律。

但前提是，数据质量必须过关。

所以，DM0.5 在数据治理上做了几类关键处理。

第一类是去掉明显错误的数据。比如 ROS 记录中偶尔出现的异常值、突变值、不满足物理连续性的片段，以及图像画面和机器人状态不一致的数据。

第二类是去掉低信息量数据。比如长时间没有有效状态变化或动作变化的静止帧。这类数据如果大量混进训练，会降低动作监督密度，让模型在该响应的时候变得迟钝。

第三类是去掉低价值动作。比如执行不到位、目标不明确，或者与当前任务目标无关的操作片段。这些数据看起来也是 “真实数据”，但对策略学习来说是噪声。

第四类是统一动作表示。部分机器人平台存在冗余自由度，不同关节组合可能对应相近的末端执行器运动。如果不处理，模型会在多个等价但不一致的关节模式之间摇摆。

第五类是重新标注。DM0.5 构建了自动化管线，对错误任务标注进行跨模态一致性校验和修正，让标签更贴近真实操作过程。

毫米级高精度 3D Landmark 生成

这些工作不如发布一个新架构醒目，但对具身模型非常关键。因为机器人失败往往不是一个宏大的理论问题，更常见的是某段数据错位、某类动作标注混乱、某个任务阶段没有被正确表达。

当行业都在谈数据量的时候，DM0.5 更值得看的地方，是它把数据质量当成了模型能力的一部分。

三大技术提升，增强泛化能力

数据打好了地基，模型还需要有能力从数据里学到真正有用的规律。

DM0.5 延续 VLA 架构，以 Gemma3 4B 作为多模态主干，搭配 680M 参数的 Action Expert 生成连续机器人动作。相比 DM0，它的重点不是单纯堆大模型参数，而是围绕泛化做了三类增强。

第一类增强，是历史记忆。

传统 VLA 策略经常只看当前图像、当前状态和当前指令。这对短时任务够用，但真实任务经常依赖过去发生过的事情。

比如，机器人先拿起杯子擦桌子，最后要把杯子放回原位。杯子被拿走后，当前画面里已经没有它的初始位置。如果模型没有历史信息，就很难知道原位在哪里。

DM0.5 引入 Context Abstraction Layer，把过去一段时间的视觉信息压缩成历史 token，与当前观测一起输入模型。官方技术报告中提到，模型最长支持约 60 秒历史信息。训练时，历史帧会经过时间采样和空间抽样，并使用随机历史长度和历史增强，让模型既能利用长历史，也能在历史缺失时退化到当前观测策略。

这让模型不只是对当前画面做反应，而是能理解任务进程。

第二类增强，是具身推理。

机器人动作不是孤立的。抓取、移动、对准、放置，背后都有任务阶段和目的。如果模型只拟合动作轨迹，很容易学到操作者节奏或环境里的偶然路径。

DM0.5 在机器人数据中加入 11 类自回归具身推理任务，覆盖任务规划、事件与环境预测、动作生成等方向。模型不仅要预测下一段动作，也要学习现在做到哪一步、接下来会发生什么、当前动作在任务里承担什么作用。

这相当于让模型在动作预测之前，先建立对任务逻辑的理解。

第三类增强，从对点到对齐。

遥操作数据有一个很现实的问题：同一个任务，不同采集员的执行速度不同，停顿位置不同，调整动作也不同。如果训练时把模型输出和固定时间点强行绑定，模型学到的可能是采集节奏，而不是任务进展。

DM0.5 引入 Trajectory Alignment Layer，把监督从 “固定时间点对齐”，改成 “轨迹进展对齐”。模型输出固定长度的未来动作片段，训练时为每个预测动作在真实轨迹中寻找合适锚点，并要求锚点保持单调递增。

这样既允许不同演示之间有速度差异，又能保持动作顺序不乱。匹配过程还会考虑相邻锚点之间的轨迹连续性，减少模型跳过抓取、接触、释放等关键阶段的风险。

把这三点放在一起看，DM0.5 的模型设计并不是各做各的功能，而是在解决同一个问题：让模型从复杂、噪声很重的机器人数据中，学到更稳定的任务结构。

真实场景评测

DM0.5 的技术报告里列了很多结果，包括 Zero-Shot、Fine-Tuning、仿真基准、导航基准、记忆实验和鲁棒性测试。

这些数字不需要逐项展开。对这类模型来说，更重要的是看它们是否共同指向同一个结论：模型有没有在不同任务、不同条件和不同环境下表现出更强泛化。

在 Zero-Shot 评测中，原力灵机构建了包含 8 类基础动作原语和 7 类语义条件约束的任务集。测试对比了 Franka 平台上的 π0.5-Droid 与 DM0.5-Droid，以及 Dexmal-Mirror 平台上的 DM0 与 DM0.5。

结果显示，DM0.5 在大多数动作类别和条件维度上优于对比模型。

相关数值：

这说明它不只是记住固定任务，而是在一定程度上能理解新的动作组合和语言条件。

在 Fine-Tuning 能力上，DM0.5 参与了 RoboChallenge Table30 v2 真机评测。这个评测覆盖长期记忆、多步顺序执行、精细抓放、工具交互和双手协同等任务，并采用一个模型覆盖多任务的 Generalist 设置。DM0.5 取得 42% 整体成功率和 61 综合得分。

这说明它作为基础模型，能通过微调迁移到更复杂的真实任务里。

这些结果可以作为能力参考，但比榜单更重要的是两个真实场景实验。

一个是记忆实验。机器人需要在 “拿起杯子擦桌子” 任务中记住杯子的初始位置，也需要在 “人类示范放电池” 任务中记住早期示范规则。这直接验证了历史信息能否变成后续动作约束。

另一个是鲁棒性实验。在 Franka 平台的 9 组相机位姿变化测试中，模型整体成功率只有轻微波动，并呈现出 “全局粗定位 + 腕部相机局部精调” 的两阶段策略。面对人为移动目标或短时遮挡，DM0.5 也能根据新的视觉状态重新调整动作，而不是机械地沿着原始轨迹继续执行。

这些实验比单一榜单更有价值。因为真实机器人场景最常见的失败，不是标准测试集上差几个点，而是环境一变、物体一动、视角一换，模型就失去控制。

如果 DM0.5 的这些结果成立，它真正释放出的信号就是：具身模型的泛化能力正在从 Demo 层面，进入可以被系统验证的阶段。

具身模型的竞争，会越来越像系统工程

DM0.5 的意义，不在于它提出了一个完全不同的 VLA 路线，而在于它把具身模型下一阶段的竞争重点暴露得更清楚。

早期大家比的是谁能更快做出一个能看的机器人 Demo。接下来比的会是：谁能持续获得高质量数据，谁能定义清楚任务标准，谁能把真实失败案例转化成训练信号，谁能让模型在不同本体、不同场景、不同扰动下稳定工作。

这不是单纯训练一个模型的问题，而是一整套系统工程。

模型架构仍然重要，但它只是其中一环。更重要的是训练前的数据治理，训练中的任务设计，训练后的真实评测，以及部署后的反馈闭环。

从这个角度看，DM0.5 最值得关注的不是某一个单点能力。它试图回答一个更难的问题：当机器人离开可控环境之后，基础模型如何继续可靠地工作。