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_blocks100% SR / 100 Score给花浇水water_the_flowers90% SR / 94 Score物品分类item_classification80% 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_blockswater_the_flowersitem_classification双臂协同与连续放置将物体放入抽屉place_objects_into_desk_drawer90% SR / 92.5 Score堆叠碗具stack_bowls90% SR / 95 Score两项任务均需使用Dexmal的MirrorDOS-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_drawerstack_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_spoon60% SR / 66 Score用软布包裹物体wrap_with_a_soft_cloth40% 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_spoonwrap_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DM0.5https://www.dexmal.com/blog/dm0.5Dexbotichttps://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。
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
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_blocks100% SR / 100 Score给花浇水water_the_flowers90% SR / 94 Score物品分类item_classification80% 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_blockswater_the_flowersitem_classification双臂协同与连续放置将物体放入抽屉place_objects_into_desk_drawer90% SR / 92.5 Score堆叠碗具stack_bowls90% SR / 95 Score两项任务均需使用Dexmal的MirrorDOS-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_drawerstack_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_spoon60% SR / 66 Score用软布包裹物体wrap_with_a_soft_cloth40% 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_spoonwrap_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DM0.5https://www.dexmal.com/blog/dm0.5Dexbotichttps://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。
