Zero-Shot提升31%！原力灵机DM0.5登场，15万小时数据喂出
量子位 | 公众号 QbitAI
具身智能这个行业里吧，几乎没什么共识。
不过有一点大家共同认可：
数据飞轮转不起来，是行业最大的阻碍之一。
如果遵循Scaling Law，具身智能同样需要更大的数据规模、更高质量的数据闭环，以及更强的算力。
算力问题的解决路径相对清晰；但数据这边，想追求百万小时级的数据，靠纯人工采集真的很费时费力，咱真的等不起。
要求严一点，要数据又多又具备真实任务价值，用脚后跟想想都知道更更更更难了。
把采具身数据这件事，从被动“采集型数据”，变成真实业务里持续产生的“场景型数据”，以此推动和加速数据飞轮转起来
这方面具身智能明星创业公司原力灵机做得有点说法，挺有代表性。
其核心创始团队出自旷视科技，具备大规模AI模型训练、机器人落地和高可靠硬件量产经验；公司最近又和物流机器人公司Atomix完成合并，补上了真实场景侧的关键拼图。
经验和场景在手肯定也不能说稳赢，毕竟如果把一个半吊子模型扔到场景里，它也吃不进or消化不好数据。
今天的原力灵机开发者大会上，这家公司就把
新一代具身基础模型DM0.5
往前，它能接住数据飞轮；往后，它连着开发者平台与真实场景，可以说是后续一切落地动作的底座。
15万小时数据，DM0.5的硬核底座
原力灵机给DM0.5赋予的关键词是“更大、更强、更实用”。
面向开放世界的通用具身基础模型
”，参数规模为4B，相比上一代DM0参数规模翻倍。
相比上一代基础模型，DM0.5的数据量则增加了400%。
由三类高质量数据共同构成
DM0.5使用了5万小时高精度操作数据，覆盖100多种丰富动作，并实现秒级精细指令动作对齐。
这类数据主要负责解决机器人如何在真实物理世界里完成操作的相关问题。
第二类是Egocentric数据，也就是第一视角数据。
10万小时Ego数据，让模型能够从类似人类视角理解环境，并支持毫米级高精度3D Landmark生成。
第三类是场景重建数据。
团队通过100万平方米空间数据建模复杂室内环境，帮助模型降低Sim2Real Gap（仿真环境和现实世界之间的差距）。
高质量数据之外，DM0.5
还在模型架构上做了三项关键创新
现实场景里具身智能面对的任务，多是数分钟甚至更久的长周期作业，必须加强对前序步骤和状态的记忆。
经过高效上下文压缩，DM0.5原生支持最长60秒记忆能力（平均水平在30秒上下）。
模型能更精准地提取并保留关键的历史上下文，理解更长时间范围内发生的动作和环境变化，减少在长周期连贯作业中的断片情况。
DM0.5引入了任务规划、目标定位、未来状态预测等推理任务，让模型学到“先谋后动”这一招。
面对复杂指令时，它会在内部将大目标拆解为多个子任务，规划好先后顺序与动作逻辑再下手，大幅降低无效动作和失败率。
理想中的状态是咱们用嘴说句话支使机器人干活，但从它听到话到机械臂各个关节毫米级转动，中间的鸿沟也就比马里亚纳海沟浅一点点。
轨迹对齐层在模型中起到专八级别的翻译官式的作用，让动作学习从传统“对点”走向“对齐”，帮助模型理解运动过程中的规律。
以上提到的数据和架构上的升级，都服务于让机器人从“记住动作”走向“理解任务”——这也是为什么原力灵机把DM0.5称为面向开放世界的通用具身基础模型。
在这套数据规模与架构创新双重加持的底座支撑下，DM0.5展现出了亮眼的性能优势。
在真机与仿真的四大公开评测中，DM0.5全面超越当前SOTA。
仅凭单个模型，DM0.5就能同时支持导航、抓取、全身控制等任务。
相比上一代DM0，其Zero-Shot导航成功率大幅提升31%，Few-shot成功率提升45%，而经过微调后的任务成功率也提升了20%。
评测结果显示，DM0.5的推理效率整体提升了25%，在H100平台上推理延迟低至50ms。
即便在消费级显卡4090上，推理延迟也仅为90ms。
泛化涌现与成本普惠，DM0.5这样定义“好用”
原力灵机联合创始人兼CEO唐文斌说，今年以来，具身领域发了很多很多模型，“但大家真能保证自己是好用的吗？”
DM0.5确实会比现有的开源的（具身基础模型）更好用。
他用两条标准，来衡量一个具身基础模型好用与否。
第一，基础模型的Zero-shot泛化能力如何？这决定了模型能力的上限。
第二，后训练效率如何？这关乎模型能力走向产业落地的速度。