深圳新聞網(wǎng)2026年5月29日訊（記者 劉惠敏）近日，記者從越疆獲悉，越疆正式發(fā)布自研世界動作模型空弈DobotWAM具身大模型。在具身智能標準評測基準LIBERO上，空弈DobotWAM具身大模型分別完成LIBERO-Spatial、LIBERO-Object、LIBERO-Goal和LIBERO-10四個標準任務(wù)套件，覆蓋空間關(guān)系理解、物體泛化、目標指令理解以及長時序任務(wù)執(zhí)行等關(guān)鍵能力維度，平均成功率達99.25%，領(lǐng)先于π0.5、π0、GR00T-N1.5、π0+FAST等公開模型，以及行業(yè)內(nèi)已有數(shù)據(jù)公布的其他模型結(jié)果。

其中，空弈DobotWAM具身大模型在LIBERO-Object上實現(xiàn)100/100全部成功，在LIBERO-Spatial、LIBERO-Goal和LIBERO-10三個套件中均達到99/100。

這一成績不僅源于越疆在協(xié)作機器人領(lǐng)域的技術(shù)積淀，更標志著其具身智能技術(shù)已躋身行業(yè)頭部。

同時，這也意味著越疆正引領(lǐng)具身智能行業(yè)從跳舞表演等展示型動作，向真實場景下的現(xiàn)場操作能力邁進。

機器人走向真實應(yīng)用，真正的挑戰(zhàn)不再是“識別物體”，而是在動態(tài)、多變的開放場景中，理解空間關(guān)系、拆解任務(wù)目標、生成符合運動結(jié)構(gòu)的動作，并在多步執(zhí)行中始終保持全局一致。

近兩年，視覺-語言-動作模型成為具身智能動作生成的主流范式，在數(shù)據(jù)覆蓋充分、任務(wù)邊界清晰的場景下展現(xiàn)了較高效率。然而，過度依賴二維圖像模式或離線軌跡模仿，在面對空間擾動、物體變化、長流程任務(wù)和真實接觸反饋時，仍容易出現(xiàn)動作漂移、目標丟失，或局部動作正確而整體任務(wù)失敗的情況。這要求機器人模型必須超越單純的“模仿”，建立起對動作深層次結(jié)構(gòu)的真正理解。

空弈DobotWAM的高成功率，源于其在感知、理解、控制與數(shù)據(jù)閉環(huán)上的系統(tǒng)性設(shè)計。模型在視覺-語言-動作建模的基礎(chǔ)上，進一步引入三維空間理解、機器人運動幾何約束和真實數(shù)據(jù)閉環(huán)機制，使機器人不僅學會“模仿動作”，更學會“理解動作為什么這樣做”。

其核心技術(shù)突破包含四個方面：

? 3D-Aware Spatial Representation：將3D空間信息引入視覺-語言-動作建模，使模型不只依賴2D圖像紋理和像素特征，能夠顯示感知物體位置、空間關(guān)系與操作目標之間的幾何結(jié)構(gòu)，具備更強的泛化能力。

? Joint Dynamic Geometry Loss：將機器人關(guān)節(jié)動態(tài)信息與末端執(zhí)行器幾何約束融入訓練loss，使模型從“模仿動作”升級為“理解真實動作結(jié)構(gòu)”，從而減少軌跡漂移、姿態(tài)不連續(xù)和抓取失敗，提升長時序任務(wù)中的執(zhí)行穩(wěn)定性。

? Advanced VLM Task Decomposition：基于高級VLM backbone對復雜語言指令進行語義理解與任務(wù)拆解，將長流程操作分解為更清晰的階段目標和可執(zhí)行子步驟，避免局部動作正確但全局任務(wù)失敗。

? High-Quality Data Flywheel + Real-Robot Recap：構(gòu)建高質(zhì)量數(shù)據(jù)飛輪，以Recap真機實驗為核心，閉環(huán)采集、訓練、評測與反饋，持續(xù)吸收成功、失敗及長尾場景的真實經(jīng)驗，提升從仿真benchmark到真實環(huán)境執(zhí)行的遷移能力。

這四項技術(shù)彼此耦合，使得空弈DobotWAM能夠更穩(wěn)定地完成多物體、多階段、長時序的機器人操作任務(wù)，為具身智能的大規(guī)模落地提供了可復用的系統(tǒng)性框架。

以插充電器和插筆帽兩項典型任務(wù)為例。它們看似日常，實則是高精度接觸作業(yè)，要求模型不僅要識別目標物體的位置，還需理解插頭與插座、筆身與筆帽之間的空間關(guān)系，并連續(xù)完成對準、接近、插入和閉合等動作，直接考驗小目標定位與姿態(tài)估計、強幾何約束下的末端控制以及接觸過程中的穩(wěn)定執(zhí)行與誤差修正三項關(guān)鍵能力。

測試中，空弈DobotWAM大模型能夠基于視覺觀測完成目標定位，結(jié)合機器人自身狀態(tài)實時生成動作，使機械臂在真實環(huán)境中穩(wěn)定完成充電器插接流程：

在插筆帽任務(wù)中，模型準確判斷筆身與筆帽的相對位置及開口方向，完成軸線對齊和精細插入動作，全程保持姿態(tài)穩(wěn)定。

兩項任務(wù)的連續(xù)穩(wěn)定完成，驗證了空弈DobotWAM在真實物理世界中從空間理解、姿態(tài)控制到接觸執(zhí)行的完整閉環(huán)能力。

具身智能走向真實世界，不能只依賴更大的模型參數(shù)，也不能只依賴單次演示中的亮眼表現(xiàn)。真正能夠推動機器人規(guī)?；涞氐?，是一套同時具備空間理解、任務(wù)規(guī)劃、精準執(zhí)行和持續(xù)進化能力的模型系統(tǒng)。

越疆空弈DobotWAM具身大模型正是沿著這一路徑邁出的關(guān)鍵一步。未來，越疆將繼續(xù)圍繞真實機器人場景推進空弈DobotWAM具身大模型的模型迭代，讓機器人從“能看懂、能行動”，進一步走向“能適應(yīng)、能泛化、能長期可靠執(zhí)行”。

（本文圖片由受訪單位提供）