泛化涌现！原力灵机三级火箭助推具身智能落地
杀入 2026 下半年，烫得发红的具身赛道，距离第一次交卷正在越来越近。
而要实现具身智能的泛化落地，中国的具身公司，缺的不是硬件、不是场景、甚至不是数据采集能力—— 行业各家公司的不同硬件、算法、场景各自为战，数据的碎片化才是真正的问题。
少了把硬件、场景、数据连接在一起的标准，采集到的数据无法跨任务、跨机型的复用，那么数据的收集效率就要事倍功半，从 10 万小时到 100 万小时的“鲤鱼跃龙门”，也就更是难上加难。
卡住了具身“脖子”的 100 万小时数据，想要单纯靠数采“堆”出来并不现实；而不少公司期待的，让机器人进入实际场景形成的“数据飞轮”，面前还有三座大山必须跨越：
基础模型能力的限制 ，常常让机器人在实际场景里的具体任务上表现不佳，有效的经验没多少，翻车教训倒是一大堆，数据的质量也就没法保证；
开发集成的复杂程度 ，让具身大脑每每进入到一个新的场景、适配一个新的机型，就必须重新适配，效率难以得到保证；
在同一场景下，全时连续地执行任务也是一个难点 ，数据回流时断时续，也让数据的飞轮更难运转起来。
要越过三座大山，具身公司必须搭起一个“三级火箭”，用全栈的方式，实现一个系统性的能力升级。
什么样的具身模型，才最可能实现“泛化涌现”？
在多个场景能实现能力的泛化，可以 Few-shot，甚至 Zero-shot 地实现智能涌现，是每一个具身模型落地应用的重要指标。
要实现面向开放世界的通用具身模型，就需要更大的数据规模、更先进的架构，以及更强的开放世界泛化能力。
2026 年 7 月 9 日，原力灵机在北京主办了 Action 2026 开发者大会。会上， 公司推出了他们独立自研的具身基础模型——“DM0.5”，正式向卡住了具身实际落地的模型问题宣战。
这个 4B 参数规模的模型，背后是 5 万小时包含百余种丰富动作的真机数据，加上了 10 万小时的场景视频，让 DM0.5 在前面提到的三大任务和六类机器人选型上都有数据支持，可以覆盖日常出现的主要场景和任务。
之所以说，DM0.5 更有希望让具身机器人在场景中落地，首先最核心的，就是它强大的泛化能力。
检验泛化能力最重要的指标，就要看模型在 Zero-shot 和 Few-shot 的能力。今天，不少公司 Demo 相当好看，却都是在给定任务上进行过无数次“排练”的“表演——而现实世界没法被穷举，面对未进行任何训练的目标任务，具身模型必须要能够举一反三。
在这种环境下，DM0.5 的能力也相当能打，相较先前的 DM0 版本， Zero-shot 的导航成功率提升了 31%，Few-shot 的成功率提升了 45%。 模型可以在没有专门受训的情况下，完成“看懂目标——做出动作——跨本体将语言与视觉统一成执行结果”的流程闭环。
有了更强的“举一反三”能力，模型要实际进入场景，Fine-Tuning（模型精调）也是相当重要的必修课。
DM0.5 的 Fine-tuning，不仅支持 4090 的消费级显卡，成本下降了 60%，成功率还反而提升了 20% ，最快 18 小时即可完成一个下游任务的部署。推理上，DM0.5 的效率也令人艳羡——在 4090 上的响应速度仅有 90 ms，在 H100 环境下，响应速度更是达到了 50 ms 的优秀成绩。
在面向真实工业和真实场景的真机 Benchmark 中，RoboChallenge 是被不少业者承认的榜单。面对 30 个复杂任务、4 种异构机型的挑战，DM0.5 的成功率达到了 43%，以 54.42 的总得分拔得头筹。
除了 RoboChallenge，DM0.5 在 LIBERO 的综合表现达到了 99.10%（Clean 场景: 94.1% / Random 场景: 94.4%），并且在 RoboTwin 2.0、R2R、RxR 三个榜单中以很大优势领跑。 通过更强的上下文工程，DM0.5 也实现了长达 60 秒的原生记忆 ，来对抗传统具身模型“走一步忘一步”的尴尬。
在典型的桌面清理场景，DM0.5 驱动的机器人能够记得物品的来处，以便可以精准地将其放回原位。除此以外，在人类的示范之后，DM0.5 也可以让具身机器人立刻和示范行动对其，并且跟随完成复杂任务，让使用者可以不必多费口舌，把人机交互又一步完成了简化。
桌面保洁：记得来处，才能放回原处。 最后，DM0.5 也通过结合高阶大脑（系统2）和直觉反射（系统1），实现针对相机扰动、人类动作更强的抗干扰性能；而其“多任务+多机型”训练方式，更能让 DM0.5 在不同的本体上实现更快的适配，无论双足、轮式、单臂、双臂、灵巧手都不在话下，覆盖导航、抓取、全身控制的三大核心任务。
今天，DM0.5 已经在 GitHub 上开放了官方仓库，在 HuggingFace 也上线了 DM0.5 模型权重和官方 Blog。而在一周后，原力灵机也将正式向 LeRobot 社区提交核心代码，并面向全行业公开深度技术报告，用生态开源的方式，把更优秀的具身大脑向市场提供。
如果说，过去的具身范式，是“执行固定指令、单次动作重复”；今天， 在 DM0.5 的驱动下，具身智能正在向“理解意图、多维连续泛化、长时可靠运行”完成跃升。
而强大的模型，只是具身跨越“三座大山”的“第一级火箭”，而全栈的能力，才是补全具身落地的一块重要的拼图。
为什么只有全栈，才能让通用具身更好地落地？
如果说，具身模型可以通过 Scaling Law 实现线性的可见提升；那么全栈能力，则是对具身公司的一场逃不开的“大考”。
具身要落地，只有模型显然不够，没有性能更好的本体、更好用的工具链、更好的多机器人协作系统，具身就没法真正成为用户可用的生产力，在实际场景中发挥实际用途。
面对这场大考，原力灵机也做足了准备。
给“大脑”一个更强大的“身体”，原力灵机推出了通用具身本体 2.0-Apex。
DM0.5 能够兼容更多形态的本体，2.0-Apex 则干脆将机器人的诸多部件进行了解耦设计， 让用户可以根据自己的需要，一分钟内对底盘、手臂、灵巧手和夹爪等部件进行热插拔 ，实现“十八般武艺”的样样精通。
算力上，2.0-Apex 的底层算法采用 1k HZ 高频控制，让基础动作安全丝滑；端侧搭载了 Thor 的顶级芯片，让本体高频的实时推理成为可能；同时，针对复杂决策和逻辑规划，通过 WiFi 7 的高速天线，2.0-Apex 也可以无缝连接云端大模型，让具身机器人的更高智能无需等待。
除此之外，由腕部相机和激光雷达组成的 360° 无死角感知、毫米级末端定位的强大夹爪、1000 小时以上的 MTBF（平均无故障工作时间）、30 秒不停机的快速换电等等方面，都是原力灵机本体工程的“基础操作”， 让本体可以更易量产，在工业、物流等真实复杂场景，承担更高强度的作业。