1元/百萬Token！原力靈機把機器人模型做成MaaS服務

原力靈機（Dexmal）近日舉辦首屆開發者大會Action 2026，並在會上正式揭露其全面布局的「三級火箭」戰略。這套戰略涵蓋了通用基礎模型、開發者平台與物理世界解決方案，劍指具身智能從實驗室走向真實生產場景的規模化落地。尤其引人注目的是，原力靈機同時宣布與物流機器人公司Atomix會師，為這套技術路線注入更豐富的場景基礎。當前機器人產業正處於能力躍遷的關鍵節點。原力靈機聯合創始人兼CEO唐文斌在現場指出，具身智能領域的Scaling Law已經出現，但距離真正的「ChatGPT時刻」仍有一段距離。

業界對真實物理世界數據的需求正從10萬小時向100萬小時量級跨越，然而傳統人工採集或實驗室演示模式已遭遇瓶頸。原力靈機此次推出的「三級火箭」戰略，正是試圖提供一套涵蓋底層模型、開發系統與終端硬體的完整動力系統。「三級火箭」的第一級是泛化通用基礎模型DM系列。原力靈機發布了DM0.5通用具身基礎模型，參數量達4B，基於15萬小時多源數據訓練，相較上一代DM0，訓練數據量增加400%，參數量增加100%。這些數據包括5萬小時高精度真機操作數據，覆蓋100多種動作，以及10萬小時Egocentric第一視角視頻數據，幫助模型理解人類行為與物體關係。

此外還引入100萬平方米級的空間重建數據，用於複雜室內環境建模，縮小仿真與現實的差距。DM0.5在公開評測中展現出優異成績。在RoboChallenge真機評測Table30 V2中，面對30項複雜任務及4種異構機型，DM0.5取得43%成功率與54.42總分，位居榜首。在LIBERO評測中綜合表現達99.0%，並在RoboTwin 2.0、R2R、RxR等評測中領先。更重要的是，DM0.5強調成本普惠：開發者使用一張RTX 4090消費級顯卡，最快18小時即可完成下游任務的專家級微調部署，微調成本降低60%。

推理側在H100平台上延遲僅50毫秒，在RTX 4090上約90毫秒，使中小團隊無需大規模算力也能訓練部署模型。DM0.5還具備原生60秒長時記憶能力與雙系統大腦架構。Sys2負責指令理解、任務規劃與未來狀態預判，Sys1負責高頻動作生成與快速響應。機器人面對視角變化或人類動作干擾時仍能理解當前狀態並修正動作。模型也支持Video Prompt，機器人觀看人類示教影片後可理解任務並嘗試復現。多本體支援方面，DM0.5可適配雙足人形、輪式機器人、雙臂與單臂機械臂等不同構型，覆蓋導航、抓取與全身控制任務。

與DM0相比，Zero-shot導航成功率提升31%，Few-shot提升45%，Fine-tuning提升20%。「三級火箭」的第二級是開發者平台DexDev，由三項核心組件構成。首先是DFOL 2.0框架，基於通用具身世界模型DW0.5，將強化學習導入高保真虛擬仿真器中，使真機數據需求下降60%，訓練成本驟降40%，實現低成本規模化後訓練。其次是行業首個通用具身MaaS服務，打通一站式數據與模型管理，支援一行命令啟動推理，通用模型價格僅1元/百萬Token，以按量計費方式讓大模型能力人人可用。第三是具身通用操作系統DexOS，屏蔽底層硬體差異，開發者僅需幾行代碼即可完成機器人接入。

三者分別解決模型持續提升、低成本調用，以及模型與不同硬體的連接問題，構成模型落地的工程化中間層。同時，原力靈機還發布了面向通用場景的機器人Apex，具備毫米級精度與1000小時以上MTBF工業級可靠性，打通軟硬體之間的最後一公里。「三級火箭」的第三級是多智能體混合作業系統Ferrata（中文名「飛拉達」），定義為具身智能在物理世界中的「安全保護繩」或物理容錯層。

Ferrata將現場任務分為三級：Level 1由標準自動化設備處理高頻、規則明確的簡單任務；Level 2由搭載具身大模型的機器人處理異形、軟包等傳統自動化設備難以覆蓋的複雜長尾變量；Level 3則負責人工接管高風險或機器人無法處理的異常情況。這種分級架構追求系統級容錯，避免局部長尾異常拖垮整條作業鏈路。系統配備Ferrata Cockpit，提供遠程遙操與人工保護統一入口，人工完成接管後任務過程、失敗原因與處理動作會被結構化記錄，回饋至DM系列模型與調度系統，形成數據飛輪。在經濟層面，多設備協同與任務分級有助於控制綜合部署成本。

標準自動化設備處理主量任務，具身機器人集中解決長尾問題，客戶可根據實際投資回報逐步擴充。目前Ferrata已在某行業頭部客戶倉庫完成實地測試，該倉庫擁有超過10萬種SKU，日訂單峰值達數萬單。原力靈機與Atomix完成合併後，也為Ferrata提供了更多倉儲場景基礎。從長期來看，具身智能的底層能力戰最終將落腳於產線、倉庫與每一次真實作業。原力靈機透過「三級火箭」戰略，以通用模型打底，開發平台降低適配門檻，場景解決方案承接連續作業，試圖推動具身智能真正融入真實業務流。百萬小時級場景數據的積累、模型成功率的提升、系統穩定性的強化、部署成本的控制與客戶投資回報的平衡，將共同決定數據飛輪能否長期運轉。

這場具身智能的競賽，正從實驗室走向更深層的產業應用。