首页 / 资讯详情
横扫四榜，DM0.5 凭什么面面俱到？
摘要
单科冠军不够，具身智能落地需要没有结构性短板的底座 作者丨邓哲敏 编辑丨齐铖湧 一个模型同时占据四个能力子榜单的榜首，这在具身智能行业里不多见。RoboColiseum 是由智元机器人发起，联合高校、科研机构、开源社区及机器人企业共同建设的评测平台，它把评测拆成四个维度：指令跟随、空间理解、扰动适应、通用操作。参评者只要在任何一个维度上有结构性短板，就会在对应的子榜上掉下来。而原力灵机的通用具身基础模型 DM0.5 在四个子榜上全部排名第一，且目前是唯一做到这一点的模型。AI科技评论（雷峰网公众号）想知道，这张成绩单有多可信？DM0.5 又凭什么霸榜？01一把可信的尺子演示效果和真实场景之间存在差距，这在机器人行业早不是什么新鲜事。普通商品尚有卖家秀与买家秀之别，遑论技术尚未成熟的具身智能。因此，模型越是层出不穷，行业就越需要可信赖、细颗粒的公共标尺，帮助挑选出真正的强者。然而现实并不乐观，AI科技评论观察到，具身评测行业长期存在几个痛点，让分数的可信度打了折扣。第一个痛点，是仿真跑分高、真机落地差。 仿真环境里的物理参数、视觉渲染和真实世界相差甚远，模型在仿真里得了高分，搬到真机上可能是一塌糊涂。市面上大部分仿真评测基准并没有做系统的真机-仿真对比实验，更没有公开结果。针对 Sim2Real 的一致性问题，RoboColiseum 负责人吴墨告诉AI科技评论（雷峰网公众号），平台通过空间智能技术在仿真环境中高保真重建真实世界，配合激光雷达还原几何信息，再对物体的质量、重心、碰撞几何、动静摩擦力、转动惯量，以及机器人本体的相机内外参、刚度阻尼、末端控制响应等物理参数逐项校准。最终验证结果显示，仿真与真机的模型表现一致性达到 89.5%，单个任务的成功率差异均小于 10%。第二个痛点，是评测基准生命周期短。 具身模型迭代太快，一套榜单推出后半年，头部模型就把分数堆满了，无法再区分好坏。“刷榜”现象在大语言模型领域早有端倪，原本被设计为终身学习的 LIBERO，从发布到被刷穿，只坚持了不到三年。RoboColiseum 现有 78 个评测任务、超过 3000 个泛化 case，训练集和评测集完全隔离，评测集对每个任务都做了充分的泛化配置，让轨迹回放类方案彻底失效。第三个痛点，是单点能力强不代表真实场景好用。 行业里不少评测基准的设计，本质上是在考一道题——把模型在某个原子能力上压榨到极限，然后把这个数字当成模型能力的代理指标。这种评测逻辑在能力单一、任务简单的早期阶段是够用的。但问题在于，真实场景的任务几乎没有一个是单科题。工厂里的分拣机器人，要同时听懂调度指令、判断传送带上包裹的空间位置、应对随机摆放姿态的干扰，最后把一系列原子动作组合成完整的操作流程。单点能力强的模型进了真实场景，这边表现不错，那边掉链子，整体任务完成率依然惨淡。而 RoboColiseum 围绕四个维度展开评测，分别对应机器人在真实世界中完成任务所需要的能力分层：指令是基础，空间是认知，扰动是鲁棒，操作是落地。从语义到物理，从感知到执行，构成了一套相对完整的考察链条。02四榜同时第一，远比单项第一难在四大子榜单上，原力灵机 DM0.5 以指令跟随 0.8444、空间理解 0.6146、扰动适应 0.7344、通用操作 0.6370 的成绩，全部排名第一。四榜同时第一