原力灵机发布具身基础模型DM0.5，零样本导航成功率提升31%
原力灵机DM0.5通过数据规模翻倍和推理增强，显著提升具身智能泛化能力，并构建平台化基础设施加速落地。
原力灵机发布新一代具身基础模型DM0.5，参数规模4B，使用15万小时数据训练。采用双系统架构（高层规划+高频响应），支持60秒记忆，微调成本降低60%，仅需一块4090显卡18小时即可完成新任务部署。同步发布开发者平台DexDev和多智能体系统Ferrata，构建从模型到场景落地的完整技术栈。
正文摘录
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。 比较理想的状态就是 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 。 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 端上了桌。 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。 它被定位为“ 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。 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。 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。 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）。 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。