原力灵机推出DM0.5模型，三级火箭破解具身数据碎片化难题

在具身智能领域，数据碎片化已成为制约技术落地的关键瓶颈。尽管硬件、算法和场景开发已取得长足进展，但不同公司间的数据难以互通复用，导致数据采集效率低下，从10万小时到100万小时的跨越变得异常艰难。

针对这一行业痛点，原力灵机于2026年7月9日在北京举办的Action 2026开发者大会上，重磅推出了自主研发的通用基础模型DM0.5。这款4B参数规模的模型，融合了5万小时的真机动作数据和10万小时的场景视频，成功构建了一个覆盖日常主要场景和任务的数据体系。

DM0.5的核心优势在于其强大的泛化能力。在Zero-shot场景下，导航成功率提升了31%；Few-shot场景下，成功率更是提高了45%。这使得模型能够在未进行专门训练的情况下，完成"看懂目标-做出动作-跨本体将语言与视觉统一成执行结果"的全流程闭环。

此外，DM0.5在模型精调（Fine-tuning）方面也实现了重大突破。支持4090消费级显卡的精调过程，不仅将成本降低了60%，还将成功率提升了20%，最快可在18小时内完成一个下游任务的部署。

性能表现方面，DM0.5在推理效率上同样令人瞩目。在4090显卡环境下，响应速度仅为90ms；而在H100环境下，更是达到了50ms的优秀水平。

在多项权威基准测试中，DM0.5均取得了优异成绩：在RoboChallenge榜单上，面对30个复杂任务和4种异构机型的挑战，DM0.5以54.42的总得分拔得头筹；在LIBERO综合测试中，Clean场景和Random场景分别达到94.1%和94.4%的高分；在RoboTwin 2.0、R2R、RxR三个榜单中也遥遥领先。

更值得一提的是，DM0.5通过创新的上下文工程设计，实现了长达60秒的原生记忆功能，有效解决了传统具身模型"走一步忘一步"的困境。在典型的桌面清理场景中，驱动的机器人能够记住物品的来源位置，精准地将其放回原位。

同时，DM0.5还具备强大的人类示范学习能力。在观察人类完成复杂任务后，机器人可以立即模仿并跟随完成，大大简化了人机交互过程。

在抗干扰性能方面，DM0.5结合了高阶大脑（系统2）和直觉反射（系统1）的优势，对相机扰动和人类动作具有更强的适应性。其多任务、多机型训练方式，更能让模型快速适配双足、轮式、单臂、双臂、灵巧手等各种本体，覆盖导航、抓取、全身控制三大核心任务。

目前，DM0.5已在GitHub上开放官方仓库，并在HuggingFace上线了模型权重和官方Blog。一周后，原力灵机还将正式发布DFOL 2.0，进一步完善具身智能的技术生态。