具身智能走到今天行业最需要回答的问题已经变了。过去一年行业已经看过太多漂亮的机器人Demo但能够进入真实场景持续工作却是一道鸿沟。这也是原力灵机首届开发者大会Action 2026最值得关注的地方。7月9日原力灵机一次发布五大新品泛化涌现的具身基础模型-DM0.5面向通用场景的机器人Apex世界模型驱动的闭环强化学习框架DFOL2.0行业首个通用具身MaaS服务行业首个通用具身操作系统DexOS。同时面向真实场景的多智能体混合作业系统Ferrata也正式亮相。如果只看产品清单这像是一场“全家桶”式发布。但从产业视角看它真正释放出的信号是具身智能正在从模型能力展示进入生产力系统构建。在大会前的媒体采访中原力灵机CEO唐文斌提到一个关键判断今天具身智能行业真正要回答的不是再给模型贴多少新概念而是模型如何走向泛化如何进入产业场景被用起来。这次发布可以理解为原力灵机为具身智能从模型走向生产力打造了“三级火箭”第一级是以DM0.5为代表的通用具身基础模型解决开放世界泛化问题第二级是DFOL 2.0、MaaS和DexOS构成的系统化、平台化能力解决模型如何低成本训练、调用和部署的问题第三级是Ferrata这样的场景解决方案把机器人放进真实业务流程在可保护、可接管的系统里跑起来并持续产生数据飞轮。每一级火箭都贯穿具身原生的理念。更关键的是原力灵机坚持开源开放旨在推动具身行业的技术迭代与创新。DM0.5 即将开源模型权重与核心代码并公开发布深度技术报告。DFOL 2.0 也已面向全球开发者全面开放使用其背后支撑的世界模型DW05 已经正式开源。“我认为开源是一个非常检验企业真实力的模式。我们把大部分基础设施开源出来就是希望和整个产业一起快速迭代。”唐文斌表示。这也是原力灵机与很多具身智能公司的不同打磨一套“模型—本体—基础设施—场景”的全栈闭环并开源。对具身智能来说真正的ChatGPT时刻不会只诞生在实验室Demo里而更可能诞生在真实场景的商业闭环中。一级火箭DM0.5基础模型开箱即用的泛化能力具身智能从实验室走向产业现场第一道门槛就是模型泛化能力。过去很多机器人Demo之所以好看是因为任务、物体和场景都被提前设计过。机器人看似聪明实际只是在复现训练集里的动作。一旦换一张桌子、换一批任务、换一种指令立马卡壳。这也是DM模型最值得关注的地方。今年2月上一代模型DM0仅用 2.4B 参数量实现了实时推理延迟60ms并能完成工业级精细作业。DM0.5的核心升级不只是训练数据达到15万小时推理延迟达到50ms而是开始具备Zero-Shot泛化能力具体来说它把泛化拆解成五个维度Zero-Shot就是机器人“没练过也能做”面对没见过的新对象新任务新场景一样能操作Fine-Tuning更强的场景专家和更低门槛。DM0.5在RoboChallenge 真机评测Table30 V2、LIBERO等公开评测全面超越 SOTA。仅需一块 4090 消费级显卡即可在 18 小时内 完成一个全新下游任务的专家级微调训练原生记忆原生支持最长 60s 记忆能力长程动作中也能记住上下文抗干扰无惧物理动态干扰高阶大脑Sys2负责理解、拒绝冒充与大局预判。动作专家网络则如同直觉反射Sys1负责长程复杂任务的高频高质响应本体泛化适配包含双足人形、轮式、双臂/单臂机械臂及灵巧手在内的各类主流及异构机型。高质量数据才能带来高质量智能DM0.5 构建了覆盖导航、抓取、全身控制三大任务以及六类机器人本体的庞大数据资产真机数据 5万小时高精度操作覆盖 100 种丰富动作实现秒级精细指令动作对齐复杂场景 高精度采集。Egocentric数据 10万小时极大丰富的场景视频支持毫米级高精度 3D Landmark 生成。场景重建数据 100万平空间数据建模复杂室内环境高精度重建解决 Sim2Real Gap。同时模型架构也有三大创新上下文抽象层Context Abstraction Layer解决模型没有记忆的普遍痛点DM0.5原生支持最长 60s 记忆能力具身思维链任务Embodiment CoT Tasks解决模型真正听懂指令的问题轨迹对齐层Traj Alignment Layer for Action Learning解决了人类示教动作快慢不一、轨迹不一致的问题。原力灵机联合创始人周而进举例说具身模型能否真正听懂指令可以测反事实能力比如没有泛化能力的模型看到一件衣服只会折因为这是训练集里做过的动作。但如果用户指令是把衣服扔到脏衣篓里面模型就不会了。DM0.5引入具身思维链和反事实任务就在于让模型往“理解意图再行动”迈进一步。当然模型再强也必须通过本体进入物理世界。此次原力灵机机器人Apex的差异化在于用模块化、热插拔、快速换电和工业级稳定性给模型提供一个更适合真实场景的身体。Apex的底盘、双臂、执行器提供多种规格可以像搭积木一样自由组合满足不同场景需求。二级火箭DFOL2.0MaaSDexOS构成的平台能力层具身模型要真正从能力走向生产力光有强模型和好本体还不够中间还缺一套工程化、系统化、平台化的支撑层。DFOL2.0模型如何低成本变成场景专家泛化能力再强的基础模型在进入具体场景时也需要一定的后训练。因此后训练能否低成本、规模化成为具身模型落地的关键。DFOL2.0 (Dexmal Function Online Learning)是一个世界模型驱动的闭环强化学习框架它瞄准的是传统后训练的痛点真机Rollout成本高、硬件损耗大、采集周期长、失败样本难规模化获得。DFOL 2.0的产业意义在于它把世界模型变成仿真器和“低成本试错场”让模型先在世界模型生成的虚拟世界里经历成功与失败再把学到的策略迁移回真机。为此原力灵机专门打造了世界模型DW0.5它不是单纯生成好看的机器人视频而是要能预测动作执行后的未来状态甚至生成失败轨迹并对任务进度打分。DFOL 2.0 驱动下真机训练数据需求量下降 60%整体训练成本直接骤降 40% 复杂真机任务成功率显著提升。DexHub MaaS模型能力如何被更容易调用大模型真正进入产业不是因为每家公司都自己训练GPT而是因为MaaS服务降低了调用门槛。具身智能过去缺少这一层模型发布了但开发者拿到模型后仍要自己处理部署、硬件适配、推理链路和训练流程。为此原力灵机推出行业首个通用具身MaaS服务DexHub。DexHub MaaS的意义在于原力灵机试图把具身模型能力封装成服务让本体厂商和开发者不用从零训练具身模型。一类是通用模型调用开发者直接用基础模型的Zero-shot能力一类是定制模型开发者上传数据可以在DFOL做专属后训练再部署调用。由此原力灵机也在具身行业内率先推出了按量/时长计费的全新商业模式。计费方式初步规划按照100万 输入像素input pixel计算打破传统项目制模式下高昂的软硬件定制成本更灵活的满足企业与开发者需求。DexOS让模型和本体进行标准化对话DexOS是行业首个通用具身操作系统。原力灵机还推出配套的ECPEmbodied Control Platform多层级系统协作一套连接“模型、模型核心系统、机器人本体”的标准接口协议。此前具身模型与硬件之间缺少一个标准化的连接层。DexOS和ECP的意义在于屏蔽底层硬件差异通过标准接口让开发者用几行代码就能完成不同本体的连接实现模型推理验证。三级火箭Ferrata让具身智能在“受保护”的场景中跑起来具身智能行业有一个悖论模型需要真实场景数据才能变强但模型不够强时又很难被放进真实场景。一旦机器人在现场频繁失败客户业务会被打断模型也就失去了规模化部署机会。原力灵机将物流仓储场景作为具身智能走向生产力的核心练兵场因为物流仓储有几个特点任务高频、结果可验证、ROI容易计算、商品种类长尾、异常样本丰富、数据回流价值高。更关键的是原力灵机通过Ferrata解决能力与场景的悖论。Ferrata是具身面向真实场景的多智能体混合作业系统是具身智能规模化的一套“保护式落地系统”。Ferrata就像一根安全绳。它承认今天的具身大模型还不可能100%可靠所以不是让机器人裸奔进现场而是让机器人在分层任务、远程遥操和人工兜底的系统里逐步承担工作。这也是今年6月原力灵机并购物流机器人公司 Atomix的核心原因。Atomix面向物流仓储场景提供 AI 原生柔性仓储解决方案日均出货 60 万件以上有覆盖全球 20 多个国家、服务近百个品牌的业务网络。对具身智能来说最稀缺的不是实验室采集数据而是机器人在真实订单、真实商品、真实异常中跑出来的数据。所以物流场景是一个数据飞轮入口。Ferrata最厉害的地方在于能够根据业务特征将任务分级从而协同多类型机器人高效工作Level 1简单任务简单做用低成本自动化设备覆盖高频、标准、确定性任务Level 2复杂长尾任务交给具身机器人比如异形、软包、难吸取、需要理解和操作策略的任务Level 3机器人处理不了的异常情况或高敏场景流转到远程遥操或人工接管保证业务不中断。Ferrata的产业意义在于把“商业闭环”和“数据飞轮”绑在一起。部署越多真实任务越多模型越聪明。失败样本、异常样本越多模型越进化。模型越强机器人承担的任务比例越高人工兜底比例越低ROI进一步改善。结语今天具身智能还没有到真正的ChatGPT时刻。对具身智能来说产业化不会靠一个顶尖模型突然完成。它更可能是一场长期的闭环竞赛和系统工程模型泛化能力持续提升数据持续Scaling后训练成本不断下降OS和接口逐步标准化本体稳定性不断逼近工业级要求而机器人在真实场景中跑出的数据又反过来推动模型继续进化。这也是Action 2026原力灵机开发者大会释放出的信号具身行业开始进入一个更务实的新阶段从展示模型能力转向构建生产力系统。END本文为「智能进化论」原创作品欢迎关注。