ICRA 2026 維也納釋放的信號：具身智能不拼單點(diǎn)，原力靈機(jī)押注的是一整套系統(tǒng)

6月5日，維也納。IEEE國際機(jī)器人與自動化會議（ICRA 2026）在多瑙河畔圓滿結(jié)束。據(jù)知，該屆大會主題是"Robots for All"，86個國家和地區(qū)的8000多位學(xué)者與產(chǎn)業(yè)人士涌入會場，這是機(jī)器人學(xué)界一年一度規(guī)格最高的集結(jié)。

逛完大半個展區(qū)后，有一個展臺讓我們停留時間遠(yuǎn)超預(yù)期——Dexmal 原力靈機(jī)。原因很簡單：一家成立僅一年多的公司，在ICRA上同時亮出了自研大模型、開源框架、真機(jī)評測平臺、學(xué)術(shù)論文和商業(yè)落地案例，并且每一項(xiàng)拿出來，技術(shù)細(xì)節(jié)都經(jīng)得起追問。

帶著"挨個拆"的心態(tài)，我們仔細(xì)看了看。

原力靈機(jī)核心班底來自曠視科技。

曠視的基因在這個團(tuán)隊(duì)身上很明顯：大規(guī)模分布式訓(xùn)練的工程能力、AI算法研究的學(xué)術(shù)底子、以及把技術(shù)做成產(chǎn)品再批量交付的落地經(jīng)驗(yàn)。這個組合在純視覺AI公司里不稀奇，但放到具身智能領(lǐng)域里——既要訓(xùn)大模型、又要搞機(jī)器人控制、還要把方案塞進(jìn)真實(shí)產(chǎn)線——就相當(dāng)稀缺了。

他們的核心主張是"具身原生"（Embodiment-Native）。

這不是一個marketing詞匯，而是一個明確的技術(shù)路線選擇。當(dāng)下VLA領(lǐng)域的主流做法，是用通用的預(yù)訓(xùn)練VLM（比如用海量互聯(lián)網(wǎng)圖文數(shù)據(jù)訓(xùn)出來的多模態(tài)模型）作為backbone，再在下游接入action head進(jìn)行微調(diào)。這條路的優(yōu)勢是啟動快、數(shù)據(jù)豐富，但原力靈機(jī)認(rèn)為它有結(jié)構(gòu)性缺陷：

通用VLM的預(yù)訓(xùn)練目標(biāo)和具身任務(wù)之間存在根本性的gap。 模型在預(yù)訓(xùn)練階段學(xué)到的是"看圖說話"的表征，而不是"如何理解物理世界中力、空間和運(yùn)動的關(guān)系"。后期無論怎么微調(diào)，這個底層表征的偏差都很難完全消除。

所以原力靈機(jī)的選擇是：從數(shù)據(jù)采集、訓(xùn)練范式、到模型架構(gòu)，全部以真實(shí)物理世界中的機(jī)器人作業(yè)為第一設(shè)計(jì)原則，從零訓(xùn)練一個為具身場景原生構(gòu)建的模型。

這條路更重、更慢、啟動門檻更高，但他們賭的是天花板更高。

展臺上最吸引技術(shù)討論的是DM0——原力靈機(jī)的具身原生大模型，在RoboChallenge真機(jī)評測中位居全球第一。

拆開它的技術(shù)核心，有三層?xùn)|西值得細(xì)看。

DM0聯(lián)合階躍星辰和千里科技，做了一件行業(yè)里此前沒人做過的事：將機(jī)器人多感知數(shù)據(jù)、智能駕駛數(shù)據(jù)和互聯(lián)網(wǎng)數(shù)據(jù)三類完全不同模態(tài)、不同分布的數(shù)據(jù)，在同一個模型中聯(lián)合訓(xùn)練。

這里面的技術(shù)挑戰(zhàn)不小。三類數(shù)據(jù)的采樣頻率不同（機(jī)器人操作數(shù)據(jù)通常是30-50Hz的連續(xù)軌跡，智駕數(shù)據(jù)有自己的時間戳邏輯，互聯(lián)網(wǎng)數(shù)據(jù)是離散的圖文對）、標(biāo)注體系不同、甚至坐標(biāo)系都不統(tǒng)一。要把它們?nèi)噙M(jìn)同一個訓(xùn)練pipeline并且讓模型真正從中受益，數(shù)據(jù)工程和訓(xùn)練策略上需要大量的對齊工作。

但收益也很明確：

• 機(jī)器人數(shù)據(jù)提供精細(xì)的操作軌跡和力反饋信號，教模型"怎么動手"；

• 智駕數(shù)據(jù)提供大規(guī)模的3D空間理解和動態(tài)物體運(yùn)動預(yù)測能力，教模型"怎么理解空間"；

• 互聯(lián)網(wǎng)數(shù)據(jù)提供海量的語義知識和常識推理能力，教模型"怎么理解世界"。

三類數(shù)據(jù)形成互補(bǔ)，讓DM0在訓(xùn)練數(shù)據(jù)的規(guī)模和多樣性上，遠(yuǎn)超任何一家只用自有機(jī)器人數(shù)據(jù)的公司。

DM0覆蓋了靈巧操作、環(huán)境導(dǎo)航、全身控制三大核心任務(wù)類型，并且在8類不同的機(jī)器人本體上進(jìn)行聯(lián)合訓(xùn)練。

"8類本體聯(lián)合訓(xùn)練"這件事的技術(shù)含義是：模型的action space并不綁定某一個特定的機(jī)械結(jié)構(gòu)。不同機(jī)器人的自由度數(shù)量、關(guān)節(jié)類型、末端執(zhí)行器形態(tài)都不一樣，DM0需要學(xué)到的是操作任務(wù)的底層結(jié)構(gòu)（task structure），而非某一臺機(jī)器的運(yùn)動學(xué)參數(shù)。

用原力靈機(jī)的說法——"讓模型忘掉電機(jī)參數(shù)，學(xué)到操作的本質(zhì)。"

從技術(shù)實(shí)現(xiàn)上看，這意味著模型在action表征層面做了某種形式的抽象和解耦——它輸出的不是直接的關(guān)節(jié)角指令，而是更高層的操作意圖，再由下游的本體適配層映射到具體的執(zhí)行空間。這使得同一個模型，換一個從未見過的機(jī)器人本體時，適配成本大幅降低。

DM0最"反直覺"的一點(diǎn)：只有2.4B參數(shù)，任務(wù)成功率卻大幅超越行業(yè)內(nèi)參數(shù)量大得多的模型。

它的做法是將思維鏈推理（Chain-of-Thought）延伸到物理空間，形成"感知→空間推理→決策→動作"的連貫鏈路。模型不是一步到位地從圖像映射到動作，而是中間經(jīng)歷了顯式的空間推理過程——物體在哪、障礙物怎么分布、下一步該往哪個方向施力、力度多大。

這種設(shè)計(jì)讓模型在處理長程連續(xù)任務(wù)時尤其穩(wěn)定——不會在第三步抓對了、第四步就偏了，因?yàn)槊恳徊蕉加型评礞溤?quot;盯著"全局狀態(tài)。操作精度突破亞毫米級。

2.4B參數(shù)能做到這個效果，本身就是對"具身原生"路線的一個很強(qiáng)的驗(yàn)證：當(dāng)數(shù)據(jù)、架構(gòu)、訓(xùn)練范式全部對齊"真實(shí)物理世界"這一個目標(biāo)時，你不需要用幾百億參數(shù)去"暴力擬合"，較小的模型就能達(dá)到甚至超越更大模型的性能。這在邊緣部署和實(shí)時控制上的意義不言而喻——2.4B的推理延遲和算力需求，跟70B完全不是一個量級。

據(jù)悉，原力靈機(jī)即將推出DM系列的下一代模型DM0.5，主攻泛化能力的進(jìn)一步突破——目標(biāo)是成為當(dāng)前具身大模型中泛化能力最強(qiáng)的版本。如果說DM0已經(jīng)在真機(jī)評測中證明了"具身原生"路線的上限，那么DM0.5顯然要把這個上限繼續(xù)往上推。具體的技術(shù)細(xì)節(jié)尚未完全披露，但從DM0的架構(gòu)演進(jìn)邏輯來看，更大規(guī)模的跨域數(shù)據(jù)、更強(qiáng)的本體泛化機(jī)制、以及更精細(xì)的推理鏈路，大概率是核心升級方向。這個模型一旦放出來，行業(yè)又有新的硬仗要打。

如果說DM0是一個訓(xùn)好的模型，Dexbotic就是"用來訓(xùn)模型"的那套基礎(chǔ)設(shè)施。

它的定位是"具身智能時代的PyTorch"——全球第二、國內(nèi)唯一的通用具身智能開源框架，目前已服務(wù)清華、北大、普林斯頓、帝國理工等數(shù)十家機(jī)構(gòu)以及騰訊等企業(yè)，匯聚了超千位開發(fā)者。

從技術(shù)架構(gòu)上看，Dexbotic有五個值得關(guān)注的設(shè)計(jì)特征：

第一，多源數(shù)據(jù)混合訓(xùn)練管線。 支持用同一套pipeline融合互聯(lián)網(wǎng)多模態(tài)數(shù)據(jù)、自動駕駛數(shù)據(jù)和機(jī)器人實(shí)操數(shù)據(jù)。數(shù)據(jù)對齊、格式統(tǒng)一、采樣策略這些臟活累活，框架幫你處理。

第二，操作與導(dǎo)航的統(tǒng)一建模。 不把manipulation和navigation當(dāng)作兩個獨(dú)立任務(wù)分別建模，而是在框架層面就將端到端操作、長時序任務(wù)規(guī)劃、導(dǎo)航算法和泛化微調(diào)統(tǒng)一覆蓋，讓機(jī)器人的"手、眼、腦、步"在一個閉環(huán)里運(yùn)轉(zhuǎn)。

第三，模仿學(xué)習(xí) + 強(qiáng)化學(xué)習(xí)的接力機(jī)制。 Dexbotic負(fù)責(zé)VLA預(yù)訓(xùn)練與監(jiān)督微調(diào)（模仿學(xué)習(xí)階段），其配套的RLinf模塊承接強(qiáng)化學(xué)習(xí)后訓(xùn)練。從"學(xué)會通用常識"到"把成功率刷上去"，兩步走通。

第四，模塊化解耦架構(gòu)。 將Vision Encoder、LLM和Action Expert三個核心組件解耦，每個模塊可以獨(dú)立升級。換一個更強(qiáng)的視覺編碼器？換一個更大的語言模型？換一個不同的動作生成頭？在Dexbotic里都不需要推翻重來。這也使得快速適配不同的模型和不同的機(jī)器人本體變得可行。

第五，標(biāo)準(zhǔn)化的全流程工具鏈。 從數(shù)據(jù)清洗標(biāo)注、到訓(xùn)練調(diào)參、到benchmark評測、到硬件適配、到真機(jī)部署，Dexbotic提供了一套統(tǒng)一的標(biāo)準(zhǔn)流程，大幅降低每個環(huán)節(jié)的重復(fù)造輪子成本。

一句話概括：它試圖把"訓(xùn)一個能用的具身大模型"這件事，從"只有少數(shù)頂級團(tuán)隊(duì)才能搞定的手藝活"變成"按照標(biāo)準(zhǔn)流程就能跑通的工程問題"。

ICRA的論文Poster環(huán)節(jié)，原力靈機(jī)展示了一篇學(xué)術(shù)工作——IntentionVLA，由原力靈機(jī)和哈工大（深圳）所聯(lián)合完成。

它瞄準(zhǔn)的是VLA領(lǐng)域一個已知但尚未被很好解決的問題：隱式意圖推理。

原力靈機(jī)汪天才在ICRA現(xiàn)場做論文講解

當(dāng)前SOTA的VLA模型幾乎都遵循同一個范式：預(yù)訓(xùn)練階段在大規(guī)模多模態(tài)數(shù)據(jù)上做通用任務(wù)（圖像描述、VQA等），微調(diào)階段學(xué)"指令→動作"的映射。這個pipeline里，模型從頭到尾都只被訓(xùn)練來處理顯式指令——你得說清楚"做什么"、"對哪個物體"、"放到哪里"。

但真實(shí)的人機(jī)交互不是這樣的。人會說"我待會兒要開會"（意思是幫我把筆記本和咖啡準(zhǔn)備好）、"這個房間有點(diǎn)亂"（意思是去收拾一下）。這類隱式意圖需要模型做兩件事：1) 推斷出人的真實(shí)目標(biāo)；2) 把這個目標(biāo)分解為可執(zhí)行的動作序列。

現(xiàn)有VLA模型干不了這事，根本原因有兩個：

• 預(yù)訓(xùn)練階段的多模態(tài)任務(wù)跟具身場景關(guān)聯(lián)有限，模型缺乏推理密集型的訓(xùn)練經(jīng)驗(yàn)；

• 微調(diào)階段只做"指令→動作"的直接映射，沒有建立推理引導(dǎo)操作的能力。

IntentionVLA的解法是一個課程式訓(xùn)練范式（curriculum training paradigm）：

階段一：推理能力注入。 用精心設(shè)計(jì)的推理數(shù)據(jù)集，訓(xùn)練模型同時完成三件事——意圖推斷（intent inference）、空間定位（spatial grounding）、和緊湊的具身推理（compact embodied reasoning）。這一步讓模型獲得"想明白"的能力。

階段二：推理引導(dǎo)微調(diào)。 在action微調(diào)階段，將第一階段的緊湊推理輸出作為條件信號（context），注入到動作生成過程中。這樣做的好處是：推理提供了高層次的任務(wù)理解作為引導(dǎo)，同時推理鏈路本身是緊湊的（不是那種冗長的CoT），不會顯著增加推理延遲。

這個設(shè)計(jì)的精巧之處在于：它把"思考"和"執(zhí)行"拆成了兩個耦合但可分別優(yōu)化的階段，而不是像之前的工作那樣把所有東西混在一個end-to-end的loss里。

IntentionVLA的實(shí)驗(yàn)表現(xiàn)相當(dāng)扎實(shí)。在直接指令場景下，它的任務(wù)成功率比π0高出18個百分點(diǎn)——這說明即使在不需要推理的"常規(guī)模式"下，課程式訓(xùn)練帶來的表征增強(qiáng)也在持續(xù)起作用。而在意圖指令場景下，也就是需要模型自己去推斷用戶真正想要什么的情況下，IntentionVLA比此前處理類似問題最好的方案ECoT高出了28個百分點(diǎn)，差距已經(jīng)不是"微調(diào)trick能彌補(bǔ)"的量級了。

更值得注意的是分布外泛化能力。在訓(xùn)練階段完全沒見過的OOD意圖任務(wù)上，IntentionVLA的成功率超過了所有基線方法的兩倍以上。這說明課程式訓(xùn)練確實(shí)讓模型學(xué)到了可遷移的推理能力——它不是在訓(xùn)練集里記住了幾種固定的意圖模式然后做模板匹配，而是真正具備了面對新情境時"從第一性原理出發(fā)去推斷意圖"的泛化性。

最后一個數(shù)據(jù)同樣讓人印象深刻：在零樣本人機(jī)交互場景中——即模型從未針對這類任務(wù)做過任何專門訓(xùn)練——IntentionVLA依然達(dá)到了40%的成功率。零樣本條件下接近一半的成功率，意味著這套推理機(jī)制已經(jīng)具備了相當(dāng)?shù)拈_放世界適應(yīng)能力，距離"真正可用的自然人機(jī)交互"又近了一步。

從技術(shù)趨勢上看，IntentionVLA指向的方向很明確：下一代VLA的競爭焦點(diǎn)，不只在action質(zhì)量上，更在reasoning能力上。 誰能讓機(jī)器人"想明白再動手"，誰就能在真實(shí)場景的復(fù)雜交互中占據(jù)優(yōu)勢。

RoboChallenge是原力靈機(jī)與Hugging Face聯(lián)合發(fā)起的全球首個大規(guī)模真機(jī)評測平臺，目前也是全球最大的。

已有智元、星海圖、星動紀(jì)元等近20家具身智能企業(yè)聯(lián)合運(yùn)營，累計(jì)完成全球超8萬次真機(jī)測試，阿里千問、小米、千尋智能等均參與其中。

為什么這件事重要？

具身智能領(lǐng)域有一個長期困擾所有人的問題：仿真和真機(jī)之間的sim-to-real gap，讓benchmark數(shù)字的參考價(jià)值大打折扣。 在MuJoCo或Isaac Sim里跑出99%的成功率，一上真機(jī)可能直接對折。這導(dǎo)致不同公司、不同模型之間缺乏一個可信的橫向?qū)Ρ然鶞?zhǔn)。

RoboChallenge的核心價(jià)值就在這里——所有評測都在真實(shí)物理機(jī)器人上完成，沒有仿真濾鏡。 你的模型到底能不能穩(wěn)定抓取、能不能處理光照變化、能不能應(yīng)對物體擺放的隨機(jī)性，全由物理世界給答案。

RoboChallenge ICRA Competition 2026頒獎現(xiàn)場

ICRA2026期間，Dexmal × AGIBOT聯(lián)合舉辦的RoboChallenge ICRA Competition 2026宣告收官。獲獎隊(duì)伍被邀請到維也納現(xiàn)場，原力靈機(jī)聯(lián)合創(chuàng)始人汪天才現(xiàn)場頒獎并做了學(xué)術(shù)分享。

這場比賽的技術(shù)含金量體現(xiàn)在兩個層面：

一是任務(wù)設(shè)計(jì)。 不再是桌面抓取的單步demo，而是完整的商超場景全鏈路操作閉環(huán)：自主導(dǎo)航至貨架→精細(xì)化取貨→移動至推車→放置商品。這意味著模型需要同時具備導(dǎo)航規(guī)劃、精細(xì)操作、長程任務(wù)管理的綜合能力，任何一個環(huán)節(jié)掉鏈子整個任務(wù)就失敗。

二是評測方式。 全程通過API遠(yuǎn)程接入，選手的算法直接驅(qū)動真實(shí)物理機(jī)器人進(jìn)行實(shí)測。代碼寫完提交，機(jī)器人實(shí)時執(zhí)行，結(jié)果當(dāng)場出。沒有人工干預(yù)的余地，也沒有挑"最好那一次"的機(jī)會。

這種評測標(biāo)準(zhǔn)如果能在行業(yè)里立住，對所有從業(yè)者都是好事——至少大家終于有了一把共同認(rèn)可的尺子。

最后要說的是原力靈機(jī)的商業(yè)落地板塊——AI原生的物流機(jī)器人倉儲方案商。

它把不同類型的機(jī)器人融合到一條完整的倉儲鏈路中，覆蓋"存—搬—揀"全流程：從貨物入庫的自動存儲、到跨庫區(qū)的自動搬運(yùn)、再到精細(xì)的分揀操作，用AI調(diào)度將各環(huán)節(jié)打通。

目前已服務(wù)的客戶包括優(yōu)衣庫和寧德時代。這兩個名字代表了兩種完全不同的倉儲場景——前者是服裝電商的高SKU、高頻次、柔性揀選需求；后者是制造業(yè)的高精度、高可靠性、重載搬運(yùn)需求。能同時服務(wù)這兩類客戶，說明方案本身的通用性經(jīng)受住了真實(shí)產(chǎn)業(yè)場景的驗(yàn)證。

從技術(shù)閉環(huán)的角度看，物流機(jī)器人解決方案的價(jià)值不僅是"在賺錢"——它還意味著原力靈機(jī)擁有一個持續(xù)產(chǎn)生真實(shí)場景數(shù)據(jù)的渠道。倉儲機(jī)器人每天跑的每一趟任務(wù)，都是高質(zhì)量的具身數(shù)據(jù)來源，這些數(shù)據(jù)反過來又能喂給DM0和Dexbotic做迭代訓(xùn)練。

模型→框架→評測→落地→數(shù)據(jù)回流→模型升級——這個飛輪，至少在邏輯上已經(jīng)閉合了。

在ICRA 2026的展區(qū)里逛了幾天，看了足夠多的展臺和demo。回過頭來看原力靈機(jī)的東西，有一個判斷逐漸清晰：

這家公司不是在做某一個"點(diǎn)"的技術(shù)突破，而是在搭一個"系統(tǒng)"。

DM0是模型層的競爭力，Dexbotic是基礎(chǔ)設(shè)施層的生態(tài)入口，RoboChallenge是評測標(biāo)準(zhǔn)層的話語權(quán)，IntentionVLA是前沿研究層的技術(shù)儲備，物流機(jī)器人是商業(yè)層的造血能力和數(shù)據(jù)來源。五個板塊咬合在一起，形成了一個自洽的技術(shù)-商業(yè)系統(tǒng)。

這種打法的風(fēng)險(xiǎn)不言而喻——面鋪得太廣、資源分散、每條線都可能被專注做某一件事的對手超越。但它的優(yōu)勢在于：一旦各模塊之間的協(xié)同效應(yīng)真正跑起來（框架降低模型訓(xùn)練門檻→平臺擴(kuò)大評測覆蓋→落地場景反哺數(shù)據(jù)→數(shù)據(jù)驅(qū)動模型升級），形成的壁壘就不再是某一個單點(diǎn)的benchmark分?jǐn)?shù)，而是一個不斷加速的系統(tǒng)。

成立一年，還太早下定論。但從ICRA 2026現(xiàn)場呈現(xiàn)出的技術(shù)密度來看，這家公司至少已經(jīng)證明了一件事：

"具身原生"這條路，不只是一個理念，它是可以出成果的。

至于這些成果最終能轉(zhuǎn)化為多大的產(chǎn)業(yè)價(jià)值，時間會給答案。