企业官网建设流程全解析

近日，全球大规模具身智能真机评测平台 RoboChallenge 更新 Table 30 V2 榜单，日本通信巨头 KDDI 集团旗下核心研究机构 KDDI 综合研究所（ KDDI Research, Inc. ）提交的 VLA-DM0.5，以40.67%成功率与54.42过程分，两项成绩均位列第一，登顶全球榜首，也成为 RoboChallenge Table 30 V2首个突破50分的模型。

值得关注的是，VLA-DM0.5 并非从零开始训练，而是以中国具身智能公司原力灵机（Dexmal）开源发布的DM0.5作为基础模型，通过后训练完成。

之前我们就报道过，DM0.5模型在RoboColiseum上拿到了四个第一。

而这次，一个海外头部研究机构在这个开源底座上进行了优化开发，并拿到全球第一，为开源基座模型的真实可用性提供了一份来自真机的注脚。

原文链接：RoboChallenge 榜首又变了，海外团队用中国的开源具身底座拿下了第一

真机实战，VLA-DM0.5 评测表现一览

RoboChallenge由原力灵机联合 Hugging Face 于 2025 年 10 月共同发起，是全球首个大规模具身智能真机评测平台。

与不少具身智能评测依赖仿真环境不同，RoboChallenge 采用的是大规模远程真机评测机制，平台目前部署了 UR5、DOS-W1、ARX5、ALOHA 等主流机型，核心评测集 Table30 包含 30 个标准化桌面操作任务，覆盖家庭、厨房、工作等场景。

2026 年 3 月更新的 Table 30 V2 版本，进一步聚焦高难度双臂协同、柔性物体操作等更贴近真实环境的操作能力。

在这样一个以真机实测为标准的评测体系中登顶，意味着 KDDI Research 的 VLA-DM0.5 模型在真实物理环境下具备了较为稳定的自主操作能力，而非仅停留在数据层面的表现。

VLA-DM0.5 30项任务最终得分

Table 30 V2 以成功率和过程分衡量任务完成度与执行质量，VLA-DM0.5 两项指标均位列榜首。

从 30 项任务的结果分布看：

• 22 项任务取得非零成功率，其中 11 项达到 60% 及以上，非零成功记录覆盖全部四种机器人本体；

• 9 项任务达到 80 分及以上，高分任务涵盖目标驱动抓取、物品分类、连续放置和双臂协同等多类操作。

综合来看，VLA-DM0.5 兼具跨本体任务覆盖与复杂操作完成能力，整体优势由多个任务和能力维度共同支撑。

这个模型能力边界怎么样？

VLA-DM0.5 的高分任务主要集中在目标辨识与空间操作、双臂协同与连续放置、精细工具使用与柔性物体操作三类，呈现了模型在复杂操作中的能力边界。

我们在看到 VLA-DM0.5 在不同机器人本体中得分较高、且具有典型操作难度的代表任务后，有一些结论。

目标辨识与空间操作

• 取出绿色积木（pick_out_the_green_blocks）：100% SR / 100 Score

• 给花浇水（water_the_flowers）：90% SR / 94 Score

• 物品分类（item_classification）：80% SR / 93.5 Score

三项任务分别涉及指定目标定位、目标区域对准与物品分类归位，共同考察模型将视觉信息转化为抓取位姿和动作轨迹的能力。这些结果体现了 VLA-DM0.5 在目标辨识、空间定位和操作执行链路上的稳定性。

pick_out_the_green_blocks

water_the_flowers

item_classification

双臂协同与连续放置

• 将物体放入抽屉（place_objects_into_desk_drawer）：90% SR / 92.5 Score

• 堆叠碗具（stack_bowls）：90% SR / 95 Score

两项任务均需使用Dexmal的Mirror（DOS-W1）机器人完成多次抓取、姿态调整和连续放置，涉及双臂配合、目标区域约束与多步误差控制。两个任务均达到90%成功率，说明模型在双臂协同和多阶段动作衔接方面比较稳定。

place_objects_into_desk_drawer

stack_bowls

精细工具使用与柔性物体操作

• 用小勺舀取物体（scoop_with_a_small_spoon）：60% SR / 66 Score

• 用软布包裹物体（wrap_with_a_soft_cloth）：40% SR / 54 Score

前者需控制勺具的插入位置、倾角、舀取轨迹与倾倒姿态；后者需根据布料形态变化持续调整双臂动作。这个结果体现了 VLA-DM0.5在精细工具控制与柔性物体操作中的有效执行能力。

scoop_with_a_small_spoon

wrap_with_a_soft_cloth

可适配性高的开源底座

VLA-DM0.5 的起点，Dexmal开源的具身模型 DM0.5。

DM0.5 定位于面向开放世界的通用具身基础模型（Foundation Model）， 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。

目前，DM0.5 的模型权重、训练框架及完整下游工作流已上线 GitHub 与 Hugging Face，原力灵机的开源训练框架 Dexbotic 也已全面接入 DM0.5，支持 Full SFT 与 LoRA 微调，打通从数据准备、训练、高性能推理到评测的完整流程。

附开源地址：

• DM0.5：https://www.dexmal.com/blog/dm0.5

• Dexbotic：https://github.com/dexmal/dexbotic

一个开源基础模型是否具备足够的通用性和工程成熟度，往往需要通过第三方团队的实际使用来检验。

KDDI Research 作为外部团队，选择基于 DM0.5 做后训练，并最终在 RoboChallenge Table 30 V2 上拿到榜首，至少说明一件事：这个开源底座具备被第三方继续开发的空间。

对一个开源具身模型来说，这一点很重要。

模型开源之后，真正的检验不是下载量，也不是发布时展示了多少 demo，而是其他团队能不能拿它接入自己的数据、训练流程和决策策略，并做出新的结果。

当然，VLA-DM0.5 的最终成绩不能完全归功于 DM0.5。KDDI 在多模型融合、后训练和决策优化上的工作，同样是这次登顶的关键。

更准确地说，DM0.5 提供了一个可用的起点，KDDI 则验证了这个起点还能继续往上走。