具身大模型DM0硬核拆解：物理AI如何迎來自己的“原生”時代

責編 | 夢依丹

出品丨AI 科技大本營（ID：rgznai100）

當前，大語言模型（LLMs）和視覺語言模型（VLMs）在語義領域的成功未能直接遷移至物理機器人，歸根結底在于其互聯網原生的基因。主流的“預訓練-后適配”（Pretrain-then-Adapt）的范式依賴互聯網靜態數據，導致模型先天缺失物理基礎（Physical Grounding），在落地時往往顧此失彼：要么導致操作與導航的模塊割裂，要么引發災難性遺忘，在追求控制精度的過程中丟失了核心的通用推理能力。

圖1：DM0 在異構語料庫上進行預訓練——無縫整合互聯網、自動駕駛

為了打破這一局限，原力靈機聯合階躍星辰提出一種名為 DM0 的具身原生（Embodied-Native） VLA 模型，其工作核心在于「從0開始」：從訓練的最初階段，就采用統一的視角，將具身傳感器與運動數據視為與語言、視覺數據同等重要的一等公民。

作為一個端到端模型，DM0 可以無縫統一機器人的精細操作（Manipulation）與移動導航（Navigation）。在 RoboChallenge 真實世界基準測試 Table 30 中，DM0 在單任務（Specialist）和多任務（Generalist）兩種設置下均以顯著優勢領先現有 SOTA 模型，展現出極其強大的物理世界泛化與執行能力。

• 論文名稱： DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI
• 論文鏈接：https://arxiv.org/html/2602.14974v1
• DM0 GitHub ： https://github.com/Dexmal/dexbotic
• DM0 Hugging Face： https://huggingface.co/collections/Dexmal/dm0

方法與架構：多源混合訓練與空間腳手架

真正的通用機器人需要一個具身原生模型，這要求模型必須調和異構數據源——涵蓋互聯網語料、自動駕駛日志以及機器人操作軌跡，學習既具有豐富語義又具備物理可執行性的表征。為此，DM0 并未采用簡單的端到端多層感知機映射，而是設計了一套精妙的多源混合訓練與具身空間腳手架（Embodied Spatial Scaffolding）架構。

整體模型架構

圖 2：DM0 架構圖，包含 VLM 主干和基于流匹配（Flow Matching）

DM0 的核心架構由兩個主要組件構成：

1. VLM 主干網絡： 基于 Qwen3-1.7B 大語言模型構建，并增加了一個強大的感知編碼器 PE，負責多模態感知、語義理解以及在機器人環境中的具身推理。輸入的多視角圖像會被調整為 728×728 的高分辨率，經過感知編碼器處理后，提取出細粒度的視覺特征。
2. 動作專家：這是一個基于流匹配的連續控制模塊。它不直接從圖像提取特征，而是接收來自 VLM 主干網絡提取的鍵值（KV）緩存作為條件輸入，從而生成平滑、精確的連續控制動作。

在推理時，DM0 支持兩種模式：既可以直接從多模態觀察和指令中預測連續動作；也可以先通過 VLM 生成文本形式的具身推理過程，隨后將這些推理文本作為條件，引導動作專家輸出動作。

多源混合訓練

聯合優化語言目標與連續控制目標往往會破壞預訓練 VLM 中保存的語義表征。為了解決這個問題，DM0 采用了一種受知識隔離（Knowledge Insulation）啟發的混合梯度策略。

具體而言，在針對具身機器人數據進行訓練時，動作專家的梯度不會回傳給 VLM 主干網絡。這種解耦操作有效防止機器人動作數據對 VLM 通用常識的侵蝕。與此同時，VLM 仍然會繼續使用非具身數據進行更新，不斷優化其通用語言和視覺理解能力。此外，VLM 還被監督預測離散的動作 Token，促使它編碼出有利于下游連續動作預測的動作相關語義。

具身空間腳手架

為進一步彌合高級語言推理與低級動作控制之間的鴻溝，本文創新性提出一套分層預測框架——具身空間腳手架。在訓練中，模型被要求順序執行以下輔助任務，構建出空間維度的思維鏈（Spatial CoT）：

• 子任務預測：將復雜的總指令分解為一系列可解釋、易管理的子步驟。
• 目標邊界框預測：在視覺觀察中預測出目標物體或目標區域的 2D 邊界框。
• 末端執行器軌跡預測：預測機器臂末端在主攝像機視圖下的未來 2D 軌跡。
• 離散動作預測：預測代表機器人控制命令的離散 Token。

這種設計如同為模型搭建一層層腳手架，引導其從抽象的語義意圖，逐步過渡到以物體為中心的空間定位，再到動作相關的幾何軌跡，最終落地為底層控制。這種信息瓶頸機制不僅過濾了任務無關的噪聲，還極大地限制了動作策略的解空間。

三階段訓練配方：從互聯網原生走向具身原生

圖3：預訓練、中期訓練、后期訓練的數據混合比例

DM0 的強大不僅源于架構，更歸功于其精心設計的三階段訓練 pipeline，總計消耗了高達 1.2T Token 的數據。預訓練階段在大規模的互聯網、自動駕駛和具身數據上建立強大的多模態感知；中訓練階段加入動作預測，并在跨多種機器人平臺的具身數據上把模型錨定為可執行的控制，同時保留通用對話能力；后訓練階段則收窄所使用的本體與數據范圍，以便在少數目標平臺上穩定視覺-運動對齊。

Pretraining

這個階段，模型在一套極其豐富的異構語料庫上進行聯合優化，參數全部解凍。數據不僅包含傳統的網頁文本、教育文獻、OCR 數據和通用 VQA，還極具前瞻性地引入 GUI 界面數據、自動駕駛深度檢測數據以及大量的具身數據。通過 1.13T Token 的大規模洗禮，模型在獲得語義知識的同時，隱式地掌握了物理先驗（如空間關系、深度結構、物理動力學）。

Mid-Training

中期訓練階段引入了動作預測模塊，數據規模約為 200M 樣本。此時，混合梯度策略（知識隔離）開始生效。數據混合了跨形態的單臂/雙臂機器人軌跡（如 Franka、UR5、ALOHA）、仿真環境數據以及視覺-語言指令微調數據（如 Cambrian-10M、LLaVA-OV）。為了增強模型的長程規劃能力，本文還專門構建了具身推理（ER）數據集，包含任務分解、進度估計等訓練項。

Post-Training

后期訓練階段旨在將模型對齊到實際部署的硬件上。使用約 50M 樣本，將目標縮小至少數特定的真實機器人平臺。減少不同形態機器人的分布方差，使得模型能在目標機械臂上建立極其穩定的視覺-運動映射。

實驗結果：在 RoboChallenge 上的碾壓級表現

為全面驗證 DM0 的物理世界交互能力，DM0 在極具挑戰性的 RoboChallenge 真實世界基準 Table30 上進行評估。該基準包含 30 個需要多步推理和精確連續控制的長視野桌面操作任務。

單任務（Specialist）評估

圖4：DM0 具備在具身場景中預測子任務的思維鏈（CoT）能力

除了卓越的動作執行能力，由于實施了知識隔離，處于 Mid-Training 階段的 DM0 依然完美保留了多模態對話能力。在具身場景的物體檢測、復雜圖表 OCR 識別、甚至是作為手機智能體（Mobile Agent）識別外賣按鈕的任務中，它也能對答如流。

結論與未來展望

DM0 從根本上重新思考了通用機器人策略的開發路徑。它證明了與其讓純語義的大語言模型在事后去適應機器人身體，不如在預訓練的萌芽期，就將物理世界的感知與多源數據相融合，構建一個真正意義上的具身原生 VLA 模型；其獨創的混合梯度訓練保護了認知不退化，而具身空間腳手架則賦予了模型三維空間的推理直覺。

盡管 DM0 已經樹立了一個強大的基準，但這僅僅是 Physical AI 邁出的一小步。論文的最后，作者團隊也指出了幾個極具潛力的演進方向：

1. 具身原生的 Scaling Laws： DM0 目前依然是一個 2B 級別的輕量化模型。未來，團隊計劃將其擴展至 7B 甚至 30B 規模，并吞吐更為龐大的仿真+真實的混合數據集，以期觀察到在物理推理層面的涌現能力。
2. 更廣闊的多模態感知：現實世界的物理交互絕不僅限于看和說。DM0 的預訓練階段未來有望直接整合觸覺反饋、音頻以及純深度信息，讓機器人即便在視野受限的動態環境中依然游刃有余。
3. 長程推理與世界模型：現有的空間腳手架雖然解決了部分規劃問題，但跨越超長時間維度的任務仍是業界難題。未來，若能將世界模型整合進 DM0 ，賦予機器人在腦海中預演動作后果并進行長期規劃的能力，真正的全能型 Physical AI 將不再遙遠。