深圳具身智能企业越疆空弈DobotWAM具身大模子，LIBERO评测第一、排行第一

发布日期：2026-06-01 14:18 点击次数：154

越疆认真发布自研宇宙动作模子空弈DobotWAM具身大模子。在具身智能步骤评测基准LIBERO上，空弈DobotWAM具身大模子别离完成LIBERO-Spatial、LIBERO-Object、LIBERO-Goal和LIBERO-10四个步骤任务套件，掩饰空间关系理会、物体泛化、指标教导理会以及永劫序任求实行等舛误智力维度，平均顺利率达99.25%，越过于π0.5、π0、GR00T-N1.5、π0+FAST等公开模子，以及行业内已稀有据公布的其他模子收尾。

其中，空弈DobotWAM具身大模子在LIBERO-Object上杀青100/100全部顺利，在Spatial、Goal和LIBERO-10三个套件中均达到99/100。

这次LIBERO的发挥，象征着越疆已置身具身智能行业头部。这并非或然，而是源于公司近三年完成从配合机器东谈主到具身智能的居品策略升级。基于对机器东谈主“肉体”操作智力的深远理会，空弈DobotWAM具身大模子酿成了特有的具身上风。

具身智能的下一站，不是更顺眼的演示，而是真实可用的现场实行智力。往日，机器东谈主演示多以预设轨迹的跳舞、翻跟头为主，顺眼却离分娩很远；如今，越疆将焦点拉回插接、握取、瞄准等高精度战斗功课，让具身智能实在走向可用、可靠、可落地，引颈行业向具备真实操作智力、可落地复用的方上前进。

机器东谈主走向真实哄骗，实在的挑战不再是“识别物体”，而是在动态、多变的盛开场景中，理会空间关系、拆罢黜务指标、生成合适灵通结构的动作，并在多步实行中永恒保持全局一致。

近两年，视觉—话语—动作模子成为具身智能动作生成的主流范式，在数据掩饰充分、任务畛域明显的场景下展现了较高成果。计算词，过度依赖二维图像形式或离线轨迹师法，在靠近空间扰动、物体变化、长历程任务和真实战斗响适时，仍容易出现动作漂移、指标丢失，或局部动作正确而举座任务失败的情况。这条目机器东谈主模子必须超越单纯的“师法”，诞生起对动作深端倪结构的实在理会。

空弈DobotWAM的高顺利率，源于其在感知、理会、罢休与数据闭环上的系统性联想。模子在视觉—话语—动作建模的基础上，进一步引入三维空间理会、机器东谈主灵通几何管制和真实数据闭环机制，使机器东谈主不仅学会“师法动作”，久久精品免费一区二区视更学会“理会动行为什么这么作念”。

其中枢工夫阻挠包含四个方面：

· 3D-Aware Spatial Representation：将3D空间信息引入视觉—话语—动作建模，使模子不单依赖2D图像纹理和像素特征，梗概显式感知物体位置、空间关系与操作指标之间的几何结构，具备更强的泛化智力。

· Joint Dynamic Geometry Loss：将机器东谈主枢纽动态信息与结尾实行器几何管制融入磨练loss，使模子从“师法动作”升级为“理会真实动作结构”，从而减少轨迹漂移、姿态不邻接和握取失败，提高永劫序任务中的实行牢固性。

· Advanced VLM Task Decomposition：基于高等VLM backbone对复杂话语教导进行语义理会与任务拆解，将长历程操作见解为更明显的阶段指标和可实行子才略，幸免局部动作正确但全局任务失败。

· High-Quality Data Flywheel + Real-Robot Recap：构建高质地数据飞轮，以Recap真机执行为中枢，闭环网罗、磨练、评测与响应，不息招揽顺利、失败及长尾场景的真实教会，提高从仿真benchmark到真实环境实行的迁徙智力。

这四项工夫互相耦合，使得空弈DobotWAM梗概更牢固地完成多物体、多阶段、永劫序的机器东谈主操作任务，为具身智能的大畛域落地提供了可复用的系统性框架。

以多场景任务分类握取、插充电器和插笔帽三项典型任务为例。它们看似平日，实则是高精度战斗功课，条目模子不仅要识别指标物体的位置，还需理会插头与插座、笔身与笔帽之间的空间关系，并邻接完成瞄准、接近、插入和闭合等动作，径直熟习小指标定位与姿态预见、强几何管制下的结尾罢休以及战斗过程中的牢固实行与很是修正三项舛误智力。

测试中，空弈DobotWAM大模子梗概基于视觉不雅测完成指标定位，连结机器东谈主本人景色及时生成动作，使机械臂在真实环境中牢固完成握取以及充电器插接历程。