【锋巢网】
第五个「第一」来了！发布仅一个月，DM0.5再次登顶。
今天，具身智能行业最残酷的"珠峰级"考场迎来了新的领跑者。在权威评测基准 RoboDojo 中，原力灵机通用具身基础模型 DM0.5 以综合排名第一的成绩强势登顶，领跑全球所有参评模型。
全球近 20 所顶尖机构联合评测，DM0.5 综合排名第一
RoboDojo 是由香港大学多媒体实验室联合加州大学伯克利分校、清华大学等全球近 20 所顶尖学术机构共同发起，RoboTwin 原班团队推出的具身智能综合评测体系。在行业视角下，RoboDojo 的存在标志着具身智能评估从"单点 Demo 展示"走向"标准化全科考试"，是判断一个模型能否从实验室走向真实物理世界的关键试金石。
在 RoboDojo-Sim 榜单中，DM0.5 以 24.90 的综合得分和 19.34% 的平均成功率位列第一，大幅度领先。
尤其值得关注的是，DM0.5 在 Memory 维度取得了 47.74 分和 47.44% 的成功率，而该维度的第二高成绩仅为 13.37 分和 12.11%。从榜单的五维综合评价结果来看，Memory 是 DM0.5 拉开差距并最终登顶的关键优势。
总体而言，DM0.5 的榜首成绩并非依赖某一项单点能力，而是预训练与针对性 SFT 共同带来的整体提升。
在预训练阶段，DM0.5 采用 4B VLM 多模态主干和 680M Action Expert 组成的 VLA 架构，围绕历史上下文、具身推理、动作监督和数据质量进行了系统升级，在长程记忆、指令理解、动作连续性、抗干扰和跨任务泛化等方面形成了更加完整的基础能力。
在此基础上，包含 20 秒历史观测的针对性 SFT 进一步将 DM0.5 在预训练阶段形成的时序理解与历史信息融合能力能力有效迁移到了 RoboDojo 的具体任务中。
Cover Blocks 是这种能力最直观的体现。该任务要求机器人先从左到右盖住随机排列的红、绿、蓝三个积木；当颜色被完全遮挡后，机器人必须依靠此前的观测记住每种颜色的位置，再按照红、绿、蓝的顺序依次揭开。获得满分还要求杯子姿态保持有效，并在任务结束后回到原位。
DM0.5 在 Cover Blocks 的三个随机种子上均取得 100% 成功率，最终成绩为 100%。结果表明，模型并非依靠单次偶然命中完成任务，而是能够稳定实现从历史观察、状态记忆到顺序执行的完整闭环，也为其在 Memory 维度上的显著领先提供了极具代表性的任务级证据。
从榜单到实战，全科优秀贯穿始终
登顶 RoboDojo 只是 DM0.5 实力的一个缩影。从仿真到真机、从抓取到导航、从简单场景到高难度长程任务，DM0.5 在多条赛道上都刷新了纪录，达到了极为罕见的"全科满贯"式表现：
真机操作评测 RoboChallenge Table30 V2 中，面对 ARX5、UR5、ALOHA、Dexmal-Mirror 四种异构机型、30 个复杂任务，DM0.5 以 43.0% 的整体成功率、54.42 的综合得分位列第一。
仿真操作评测中，DM0.5 的 LIBERO 综合成功率达到 99.0%，RoboTwin 2.0 简单和复杂场景下成功率分别达到 93.6% 和 93.3%，VLA-Arena 不同难度设置下的成功率分别达到 89.0%、53.6%、44.1%。
导航场景仿真测试中，R2R 和 RxR 的 Val-Unseen 成功率分别达到 59.7% 和 65.5%，相比所有基线方法均取得了显著优势。
|
|
|
如果说榜单成绩证明了 DM0.5 的"考试能力"，那么下面 6 个真实场景，展现的是它作为通用具身基座模型的"实战能力"。
1. 抗干扰能力：测试中，无论突然改变灯光、大幅切换相机视角，还是抓取过程中被人为伸手打断、物体被拨离原位，DM0.5 都能稳定执行任务，自适应修正后续动作。
2. 长记忆解锁的人类示教：依托原生 60 秒长时记忆，DM0.5 能连贯审视此前所有动作序列。操作员只需完整演示一遍"整理电池、分类入桶"的动作，DM0.5 无需文字指令，仅通过观看这段人类演示视频即可理解并复现——这正是它解锁的 Video Prompt 能力：跨越语言限制，直接看懂人类示教。
3. 精细操作达到亚毫米级：DM0.5 能在 0.1–1 毫米尺度内完成抓取扣合，用极细腻的"寸劲儿"把积木严丝合缝地扣住，拼装出现偏差时还能自主感知、纠错。
4. 柔性力控与精确感知：削黄瓜这类需要精细力控的柔性任务中，DM0.5 通过关节电机电流值实时感知刀刃与瓜皮间的接触力，实现精确判断，削皮薄而不断、不伤果肉。
5. 高自由度灵巧操作完成复杂任务：DM0.5 底座模型经特定后训练后，可控制多达 58 个自由度的灵巧手，完成握刀、定位、连续切段等家庭厨房切黄瓜的长程复杂任务。
6. 长程高节拍作业下依然稳定高效：物流分拣这类容错率极低的场景中，DM0.5 不依赖预设脚本，纯靠实时视觉识别与决策，平均 3 秒完成一单分拣，准确率超过 99%。
全面开源，生态共建
比起一份漂亮的榜单成绩，原力灵机想做的是把这份能力交到每一位开发者手中。
目前，DM0.5 已全面开源：模型权重、训练框架，以及从 LIBERO、RoboTwin2.0 到 SO101 的完整下游工作流，已全部上线 GitHub 与 Hugging Face，任何人都可以直接下载、复现、二次开发。DM0.5 同时已向 LeRobot 社区提交核心代码，即将面向全球开发者正式开放。