DM0.5 又迎来测评榜单的第 6 个「第一」。
而这一次，DM0.5 拿下的不是一个榜单，是 RoboColiseum 全部四个榜单。
RoboColiseum 四大榜单，DM0.5 全部登顶
RoboColiseum 是由智元机器人发起，联合高校、科研机构、开源社区等共同建设的具身智能模型评测平台。平台基于统一的高保真仿真环境、标准化任务和自动化评测流程，围绕具身智能模型的核心能力，设置了四大评测榜单：
—— 指令跟随、空间理解、扰动适应、通用操作，四个维度，逐一考验一个模型能不能真正 "懂指令、会思考、抗干扰、能干活"。
DM0.5 是榜单中唯一一个全部测评均登顶的模型。
四项第一，不是四种能力的偶然叠加，而是同一套预训练体系交出的必然答卷。DM0.5 仅用常规监督微调，就把预训练阶段积累的能力迁移到全新构型与任务上 —— 这也是我们一直坚持的判断：真正的壁垒从来不在最后一步微调，而在最初的地基。
DM0.5 全科优秀，多项真机与仿真评测刷新纪录
RoboDojo，综合排名第一，Memory 维度断层领先。
LIBERO，成功率 99.0%，排名第一。
RoboTwin 2.0，简单 / 复杂场景成功率 93.6%、93.3%，排名第一。
VLA-Arena，三档难度成功率 89.0%、53.6%、44.1%，排名第一。
RoboChallenge Table30 V2，43.0% 成功率位列第一。
从仿真到真机，从单一任务到跨本体泛化，DM0.5 把每一项能力都跑通了，而不是只挑一项去优化。
Memory 维度，DM0.5 领先不止一个身位。两周前的 RoboDojo，由港大 MMLab 联合伯克利、清华等近二十所全球顶尖机构发起，被称为具身智能的 "珠峰级" 测试 —— 头部模型平均成功率仅 8.8%，人类专家是 76%，这是一场 "人类满分、AI 仍在山脚" 的严酷考试。DM0.5 以 24.90 的综合得分位列第一。真正拉开差距的，是 Memory 维度：47.74 分，成功率 47.44%—— 而排名第二的成绩，只有 13.37 分、12.11%。
DM0.5 架构、数据、效率全面升级
在预训练阶段，DM0.5 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。
高质量数据才能带来高质量智能，DM0.5 构建了覆盖导航、抓取、全身控制三大任务以及六类机器人本体的庞大数据资产：
真机数据：5 万小时高精度操作，覆盖 100 + 种丰富动作，实现秒级精细指令动作对齐（复杂场景 + 高精度采集）。
Egocentric 数据：10 万小时极大丰富的场景视频，支持毫米级高精度 3D Landmark 生成。
毫米级高精度 3D Landmark 生成
场景重建数据：100 万平空间数据建模复杂室内环境，高精度重建解决 Sim2Real Gap。
架构创新之外，DM0.5 还完成了一次工程极限的突破：把核心推理延迟从 534 毫秒压缩到 57.49 毫秒，9.29 倍加速，精度基本无损。500 毫秒级的推理，被做进了 60 毫秒级的执行、70 毫秒内的在线响应。这不是某个模块变快了，是我们把整套 VLA 推理系统提速了一个数量级。
DM0.5 优秀的抗干扰性 —— 相机扰动：视角变化下仍能稳定执行任务
DM0.5 优秀的抗干扰性 —— 人类动作干扰：任务过程中被打断，仍能理解当前状态并修正动作。
DM0.5 亚毫米级精细操作
学术成果持续被行业认可
原力灵机与天津大学、清华大学联合发表的研究成果 GeoVLA，入选了机器人与自动化领域的顶级学术会议 IROS 2026 认知机器人最佳论文奖提名。
更值得注意的是，全球最受瞩目的具身智能研究机构 Physical Intelligence，在其记忆架构论文与旗舰产品 π0.7 中，两次引用了原力灵机的 MemoryVLA。这不是谁跟随谁，是独立探索、方向趋同 —— 顶尖团队殊途同归地走到了同一个问题上，而我们先一步给出了经过大规模验证的答案。
开源与场景落地，同步稳固推进
DM0.5 已经全面开源，模型权重、训练框架，以及从 LIBERO 到 RoboTwin2 再到 SO101 的完整工作流，DM0.5 已经陆续上线 GitHub 与 Hugging Face，并向 LeRobot 社区提交了核心代码。
与此同时，搭载 DM0.5 的机器人已经在真实场景中持续作业：在某大型国际零售商仓储中，我们的机器人正在与其他多类型机器人协同完成搬运与分拣；在某大型 3C 制造商工厂中，我们的机器人正在配合产线完成包装与废料回收。
从榜单第一，到开源社区，再到工厂产线 ——DM 系列模型走的是同一条路径：先把能力立住，再拿真实场景验证，最终推动规模化使用。
（来源：原力灵机）