机器之心编辑部
Dexbotic 是一套基于 PyTorch 框架开发的开源视觉-语言-动作模型（VLA）代码库，由 Dexmal 原力灵机重磅推出，主要面向对象为具身智能领域研究者；其整体架构包含 Data、Experiment、Model 三大核心组件，具备统一模块化 VLA 框架、高性能预训练基础模型、实验导向型开发框架、云端与本地一体化训练、全链路机器人训练与部署五大特征。
Dexbotic 提供了一套同时支持多个主流 VLA 算法的代码库，用户只需配置一次环境，基于所提供的预训练模型，即可在各类仿真环境中复现各类主流 VLA 算法，通过解决这一行业痛点，为具身智能领域从业者提供一站式 VLA 科研服务。同时，Dexmal 原力灵机还将持续更新和支持更多业界领先的 VLA 模型。
官网：https://dexbotic.com/
Paper：https://dexbotic.com/dexbotic_tech_report.pdf
GitHub：https://github.com/Dexmal/dexbotic
Hugging Face：https://huggingface.co/collections/Dexmal/dexbotic-68f20493f6808a776bfc9fc4
为何需要统一的 VLA 开发平台？
具身智能中，视觉-语言-动作模型已成为连接感知、认知与行动的核心技术枢纽，发展迅猛的同时也面临多重挑战：
VLA 技术研发分散化严重，研发人员往往基于不同的深度学习框架和模型结构进行探索
VLA 研发流程异常繁琐，进行算法对比评测时，需要配置多份实验环境和数据格式
VLA 算法复现公平性欠缺，难以确保每个对比的算法调至最优，导致复现和比较并不公平
VLA 研发无法从最新的视觉-语言大模型（VLM）受益，大多数 VLA 往往基于过时、不同期的 VLM 构建
正是洞察到这些痛点，Dexmal 原力灵机正式推出 Dexbotic —— 一套基于 PyTorch 框架的开源视觉 - 语言 - 动作模型工具箱，为具身智能研究者提供标准化、模块化、高性能的一站式科研基础设施，推动具身智能从「重复造轮子」走向「协同创新」。
整体架构
Dexbotic 代码库的整体架构主要包含三大核心层级：数据层（Data Layer）、模型层（Model Layer）和实验层 （Experiment Layer）。数据层定义了 Dexdata 统一格式以整合多源数据并优化存储空间；基于 Dexdata 格式的数据，系统将自动执行数据处理流程，提取图像、文本及状态信息用于模型训练。
模型层引入基础模型 DexboticVLM 作为开发多样化 VLA 策略的核心基础，其可直接支持离散 VLA 训练，亦可作为现有 VLA 策略的基座模型。当前版本已支持 π0、OpenVLA-OFT、CogACT、MemoryVLA 等多种 VLA 策略，用户也可便捷地自定义新的 VLA 模型。
实验层是 Dexbotic 体系中最核心的组成部分。基于模型层中的各类 VLA 模型的详细实现，Dexbotic 创新性地引入实验脚本机制，定义了基础实验脚本，用户根据自己的需求修改最少量的实验配置，即可开展新的实验，在确保系统稳定性的同时支持快速实验迭代开发。
主要特征
统一模块化 VLA 框架。Dexbotic 以 VLA 模型为核心，兼容主流大语言模型的开源接口。该框架集成了具身操作与导航功能，支持多种业界领先的具身操作与导航算法，同时预留了未来全身控制的接口扩展能力。
高性能预训练基础模型。针对 π0 和 CogACT 等主流 VLA 算法，Dexbotic 开源多个性能更强的预训练模型。这些模型在 SimplerEnv、CALVIN 等各类主流仿真器及真实物理世界任务中均能带来显著的性能提升。
实验导向型开发框架。Dexbotic 的实验框架采用「分层配置 + 工厂注册 + 入口分发」架构，用户仅需修改实验 Exp 脚本，即可轻松实现配置修改、模型更换或任务添加等需求。该设计符合开闭原则，在保证系统稳定性的同时兼具灵活性与扩展性。
云端与本地一体化训练。Dexbotic 全面满足不同高校及企业的训练需求，既支持阿里云、火山引擎等大规模云训练平台，也适配 RTX 4090 等消费级显卡的本地训练环境。
全链路机器人训练与部署。针对 UR5、Franka 和 ALOHA 等主流机器人，Dexbotic 提供统一的训练数据格式，并开源通用部署脚本支持用户定制化部署。未来将持续扩展更多主流机器人平台的支持。
开源硬件
具身智能的研究发展离不开开源硬件的支撑。有鉴于此，Dexmal 原力灵机也推出了其首款开源硬件产品 ——Dexbotic Open Source - W1（DOS-W1）。
该产品采用完全开源的硬件设计，即将开源所有的文档、BOM、设计图纸、组装方案、相关代码；采用大量的快拆结构与可替换模块，这极大地降低了机器人的使用门槛、改造便利性和维护便利性；同时，其符合人体工学的抗疲劳设计，有效提升了操作人员的舒适度与数据采集效率。
据悉，Dexmal 原力灵机也将与各产业伙伴一起，持续丰富 Dexbotic Open Source 系列，以开源硬件助力具身智能前沿研究，加速机器人技术在真实物理世界的落地与应用。
未来展望
未来，Dexmal 原力灵机计划扩展更多的先进 VLM 基座模型和开源硬件，集成仿真到真实物理世界的迁移学习工具链，并建立社区驱动的模型贡献机制，不断持续投入 Dexbotic 生态建设，致力于成为具身智能领域的「基础运行层」，为通用机器人智能的到来奠定坚实基础。
Dexmal 原力灵机诚邀全球开发者共同参与 Dexbotic 社区建设，通过代码贡献、算法优化、开源硬件应用案例分享，携手推动具身智能迈向新高度。正如 Linux 之父林纳斯・托瓦兹所言：「软件进化需要群体的智慧」，Dexbotic 正是这一理念在 AI 时代的具体实践。
同时，Dexbotic 正与 形成深度协同。研究者基于 Dexbotic 开发的模型，可在 RoboChallenge 平台进行公开、公平、透明的性能验证，从基础设施层面构建 “开发 - 训练 - 推理 - 评测” 的完整技术闭环。
10 月 23 日晚 19:00，Dexmal 原力灵机创始团队成员汪天才将现身直播间，讲解开源一站式 VLA 工具箱 Dexbotic，欢迎大家扫描图中二维码预约观看、线上交流。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
