Title: 原力灵机开源新一代原生具身基础模型 DM0.5：真机基准 SOTA！ | BestBlogs.dev
URL Source: https://www.bestblogs.dev/article/b7e70f9353?amp%3Butm_medium=feed&%3Butm_campaign=resources&%3Bentry=rss_article_item
Published Time: 2026-07-22 17:41:00
Markdown Content: 原力灵机开源新一代具身基础模型DM0.5，该模型延续VLA架构，在真机及仿真基准测试中取得SOTA性能，并全面开放模型权重、代码及评测流程以支持开发者微调与部署。
Dexmal 正式开源新一代原生具身基础模型 DM0.5。作为今年 2 月发布的 DM0 的迭代版本，DM0.5 延续 VLA 架构，以视觉语言模型作为多模态主干，配置 680M Action Expert 生成连续机器人动作，围绕开放指令、长程任务、动态干扰和多本体控制做了系统性升级。在真机 RoboChallenge Table30 v2 上取得 SOTA，综合 Score 54.42；仿真基准 LIBERO、RoboTwin 2.0 上平均成功率分别达到 99.0 与 93.5。
本次开源共包含三个模型：预训练模型 Dexmal/DM05 是面向开放世界机器人控制的通用 VLA 基座，可用于下游任务的微调与推理；Dexmal/DM05-libero 与 Dexmal/DM05-robotwin2 则是在该基座上，分别针对 LIBERO/RoboTwin 2.0 仿真操作任务进行监督微调的模型，可直接用于相应任务的推理与评测，也可作为后续任务适配的初始化模型。
开源地址：
* 模型合集：https://modelscope.cn/collections/Dexmal/DM05
* 代码仓库：https://github.com/dexmal/opendm
* 技术博客：https://www.dexmal.com/blog/dm0.5/index_en.html
* 在线体验：https://maas.dexmal.com/ 01
从 DM0 到 DM0.5：走出实验室，走向开放世界
今年 2 月，Dexmal 发布了第一代原生具身大模型 DM0，也是团队第一个从零开始搭建的具身基础模型。DM0 能够完成可控环境下的一系列复杂动作任务的学习，初步揭示了这套范式在正确的数据、有效的优化以及可靠的评测下的可能性。
但真实世界对机器人提出的要求远高于一个精彩 Demo。它需要真正理解任务的指令，理解"接下来为什么要这样做"，在不同相机视角、不同物体状态、不同环境、不同机器人本体和各类干扰下保持稳定可靠执行，并在少量数据微调后快速适应新的真实任务。
这正是 DM0.5 开发的出发点：走出实验室，走向开放世界。 02
DM0.5：从当前帧驱动到开放世界理解
DM0.5 延续 VLA 架构，以 4B 视觉语言模型作为多模态主干，并配置 680M Action Expert 生成连续机器人动作。包含三个方向的技术架构创新。
- Context Abstraction Layer：历史信息融合。传统模型只看当前画面，DM0.5 通过引入历史帧，让模型在决策时获得一个短期情境记忆，模型会同时接收当前帧和过去若干关键帧，为模型提供长达1分钟的任务进程状态变化，降低了模型对固定历史窗口的依赖，也让模型在历史缺失或部分失效时仍能退化到当前观测策略。
- Embodiment CoT Tasks：广泛的具身推理。DM0.5 在机器人数据中引11种不同的自回归任务，使训练不仅依赖连续动作监督，也持续强化指令遵循、动作预测和时序环境感知。把机器人数据从单一动作监督扩展为"指令理解、时序推理和动作生成"的联合监督，从而提升复杂长程任务中的指令遵循、动作连贯性和任务完成率。
- Trajectory Alignment Layer：动态动作匹配。机器人数据采集节奏不一，若与固定时间点强绑，模型易学节奏而非任务规律。DM0.5通过动态规划将预测动作与真实轨迹做单调递增匹配，同时兼顾相邻动作的轨迹连续性，既允许速度差异，又避免跳过关键动作。这使模型更关注抓取、放置等核心动作，生成更平滑鲁棒。
模型优化：多源训练与高效推理
DM0.5 的训练策略以 多源数据对齐后的混合训练 为核心。机器人操作数据构成动作学习的主体，视觉语言数据用于维持视觉主干的开放词表理解和空间推理能力，导航数据提供长指令理解与路径决策监督， 视频理解数据进一步增强模型的时序建模、事件理解和动态场景表征能力。
在优化策略上，视觉语言主干与动作专家采用 分组学习率。视觉语言主干使用较小学习率，以降低灾难性遗忘并稳定保留通用视觉语言能力； 动作专家使用更大学习率，以充分学习机器人动作分布。训练过程采用混合精度和分布式训练，并对动作专家进行独立的训练优化， 以支持长上下文、多相机输入和 history token 带来的额外计算开销。
DM0.5 推理以 Action Chunk 为单位执行，默认使用 10 个 diffusion / Flow Matching steps 生成一个 50 步 chunk。 经过优化后，DM0.5 在 4090 单卡上的推理速度能够做到 10Hz，在 H100 单卡上做到 20Hz。
核心优势：面向开放世界的硬实力
- Zero-Shot能力
- Fine tuning能力
实验结果表明，DM0.5 在 Table30 v2 上取得了 SOTA 的整体效果，整体 Success Rate 为43%，综合 Score 为54.42。在盖章定位、按按钮等需要记忆目标状态和动作顺序的任务中，DM0.5 的记忆能力显著提升了执行稳定性。模型能够更好地保持中间状态、目标位置和多步操作顺序，从而减少遗忘、重复执行或顺序错误。
同时，依托强大的视觉-语言-动作预训练，DM0.5 在复杂精细操作上也表现出色。对于双手托盘等双臂协同任务，模型能够较稳定地控制相对位姿和运输过程；对于插花等需要物体识别、抓取姿态选择和精细放置的任务，模型展现出较强的视觉 Grounding 和末端控制能力。
总体来看，Table30 v2 的结果说明 DM0.5 不仅在记忆型任务上受益明显，也能在双臂协同和精细操作任务中保持领先表现，验证了其在真实机器人多任务 Generalist Policy 场景下的有效性。
抓取场景仿真测试：我们在两个广泛使用的仿真基准中评估了 DM0.5 的微调能力：单臂操作环境 Libero 与双臂操作环境 RoboTwin2.0。实验结果表明，微调后的 DM0.5 在两类场景中均展现出强大的任务适应能力，并能够达到当前最先进方法的性能水平。
LIBERO
RoboTwin2.0
导航 场景仿 真测试：我们使用在 R2R 和 RxR 两个基准评测DM0.5在导航上的性能，DM0.5在大多数评测指标上均取得了最佳性能。在 R2R Val-Unseen 数据集上，其 Navigation Error（4.8）和 Success Rate（59.7）均达到最高。在更具挑战性的 RxR Val-Unseen 数据集上，DM0.5-Nav 在 所有四项指标上指标上均位居第一，相比所有基线方法均取得了显著优势。
- 历史记忆能力
“拿起杯子擦桌子”验证了模型能利用近期历史追踪物体状态和任务进度；“模仿人类示范放电池”验证了模型能保留早期示范并将其约束到后续机器人动作中。
- 策略鲁棒性
人为干扰：在 Dexmal-Mirror 机型上，DM0.5 在人为移动目标以及短时遮挡的情况下，仍能保持对当前场景的理解，并持续推进任务流程。当容器位置和朝向发生变化后，模型没有依赖原始固定轨迹，而是根据新的视觉状态重新调整机械臂末端位置与动作方向，继续完成对目标物体的操作。 04
本地部署
DM0.5 推荐使用 Docker 环境部署，避免宿主机上 CUDA、PyTorch、flash-attn 等依赖版本不匹配。系统要求 Ubuntu 20.04 / 22.04 + NVIDIA GPU，推荐显卡 RTX 4090 / A100 / H100 / H20，训练建议 8 卡，推理单卡即可。
模型下载（以 DM05 主基座为例）：
modelscope download --model Dexmal/DM05 --local_dir ./checkpoints/DM05Docker 环境启动：
git clone https://github.com/dexmal/opendm.git
cd opendm
docker run -it --rm --gpus all --network host \
--name opendm \
--shm-size=16g \
-v "$PWD":/app/opendm \
-w /app/opendm \
dexmal/opendm:latest /bin/bash
conda activate opendm
pip install -e .
启动推理服务（DM05 主基座）：script/dm05_launcher.sh \
--task inference \
--nproc_per_node 1 \
--model-config.model-name-or-path ./checkpoints/DM05 \
--model-config.chunk-size 50 \
--inference-config.port 7891
服务启动后，/process_frame接受multipart/form-data请求，包含任务指令text、当前机器人状态数组states以及各路 RGB 相机图像，返回下一步 Action Chunk。可用如下命令快速验证：
bash tests/curl_demo.sh http://SERVER_IP:7891/process_frame
LIBERO / RoboTwin 2.0 微调模型推理：分别指定对应的实验配置、chunk-size、动作维度与相机键：
# LIBERO（单臂，动作 7 维，2 路相机）
script/dm05_launcher.sh \
--exp playground/dm05_libero.py \
--task inference --nproc_per_node 1 \
--model-config.model-name-or-path ./checkpoints/DM05-libero-bf16 \
--model-config.chunk-size 10 \
--inference-config.output-action-dim 7 \
--inference-config.image-keys images_1 images_2 \
--inference-config.port 7891
# RoboTwin 2.0（双臂，动作 14 维，3 路相机）
script/dm05_launcher.sh \
--exp playground/dm05_robotwin2.py \
--task inference --nproc_per_node 1 \
--model-config.model-name-or-path ./checkpoints/DM05-robotwin2-bf16 \
--model-config.chunk-size 50 \
--inference-config.output-action-dim 14 \
--inference-config.image-keys images_1 images_2 images_3 \
--inference-config.port 7891
完整的训练、评测流程和 benchmark 客户端配置见 OpenDM 仓库的docs/zh/dm05_libero.md与docs/zh/dm05_robotwin2.md。
点击 阅读原文，即可跳转模型合集~ *
👇点击关注ModelScope公众号获取
更多技术信息~