Datawhale发布

最新发布：Dexmal 原力灵机

在人工智能突破认知智能的边界后，全球研究界已将目光聚焦于具身智能（Embodied AI）。

这里的挑战不再是生成文本或图像，而是让机器人真正获得与物理世界交互、完成复杂任务的能力。

实现这一跨越的关键，在于视觉-语言-动作模型（VLA）。它就像AI的“手脑中枢”，负责把人类的口头指令，转化为机器人在物理世界中精确的抓取、移动等操作。

然而，对于每一个投身 VLA 前沿的团队而言，都无法逃脱三大工程化难题的困扰。这些难题，正在将宝贵的创新时间，浪费在无休止的“重复造轮子”上。

第一，环境配置碎片化。

具身智能研究就像搭城堡，但各团队使用的砖块标准不一，论文复现、产学协作自然就成为了难题。当研究人员想要对比当下最火的SOTA算法，比如 Pi0、CogACT 或 OFT 时，必须配置 2-3 套完全独立的深度学习环境。Python、PyTorch、CUDA 版本之间的冲突就会很常见，消耗大量的研究时间，被消耗在与核心算法毫无关系的工程基建上。

第二，模型更新起来不方便。

VLA 模型的能力高低，全看它这颗 VLM（视觉-语言大模型）大脑的聪明程度。遗憾的是，由于环境配置和迁移成本太高，很多 VLA 项目至今还在用几年前的旧版 VLM，比方说 Llama 2 作为基础。这使得研究人员无法及时享受 Qwen3、PaliGemma2 等新一代通用模型带来的认知飞跃和泛化能力。当通用 AI 日新月异时，具身智能的“智商”却被旧组件拖了后腿，成为了性能提升的一大瓶颈。

第三，数据格式难统一。

机器人数据非常宝贵，但它们都被锁在了不同的保险柜里。不论是 Open-X Embodiment、Robomind 等大型数据集，还是那些不同的硬件平台，都采用着各自为政的数据格式。这就会导致：

5家具身智能开源数据集基本情况梳理，图源：机器觉醒时代

数据像被割裂的孤岛，在跨任务、跨平台的大规模通用模型训练时难上加难。在数据和算法都如此碎片化的情况下下，科研协同性又如何能得到保证？

正是洞察到这些痛点，由 Dexmal 原力灵机重磅推出的 Dexbotic，以一套视觉-语言-动作模型工具箱（VLA Toolbox），针对这三大问题提出了解法。而且，全面开源。

• 官网：https://dexbotic.com/

• 论文：https://dexbotic.com/dexbotic_tech_report.pdf

• GitHub：https://github.com/Dexmal/dexbotic

• HuggingFace：https://huggingface.co/collections/Dexmal/dexbotic-68f20493f6808a776bfc9fc4

Dexbotic 真正想表达的是：它不只是一个工具，而是要成为具身智能领域的基础设施，将 VLA 研究从“重复造轮子”的泥潭中彻底解救出来。

核心创新一：实验导向型开发框架

传统的 AI 框架，配置的起点往往是复杂的 YAML 文件，就像要你填一张有几百个空格的表格。微调一个参数，就要在像迷宫一样的配置层级中，反复查找和修改，极其繁琐。

Dexbotic 则把视角放在了最核心的“实验脚本”上。

它创新性地采用了「实验为中心（Experiment-Centric）」的开发框架。

其核心是清晰的三层架构：

1. Data Layer（数据层）： 负责将所有异构数据统一处理为 Dexdata 格式。

2. Model Layer（模型层）： 负责 VLM 和 AE 的模块化和策略组装。

3. Experiment Layer（实验层）： 负责实验的快速定义、配置和运行。

使用者只需继承一个基础脚本（base_exp），再通过 Python 脚本修改极少数的差异化参数（如学习率、特定模型组件）就可以开展新的实验。举个例子，从复现 CogACT 切换到 OpenVLA-OFT，不再需要重写配置文件或重建环境，只需切换或修改一行脚本即可。

但是，易改常伴随着易错。享受超快的速度启动和切换实验时，随之而来的挑战是：怎么快速诊断新模型或新配置带来的失败呢。

研究团队想到了这一点，不仅提供了运行环境，更内置了一套强大的诊断工具：它通过统一日志自动记录每一次实验配置和决策流程，并通过视频回放一键生成动作视频，直观看清成功/失败全过程。

核心创新二：积木式架构与统一数据格式

光有环境还不够，为了让一个环境能够兼容所有主流 VLA 算法，Dexbotic 采取了提供“标准接口”和“统一格式”的策略，打造了清晰、高度解耦的模块化“积木”架构。

VLA 策略的两块标准积木： Dexbotic 将 VLA 策略解耦为视觉-语言模型（VLM，AI 的“认知”）和动作专家（Action Expert, AE，AI 的“执行”）两个核心模块。这种“积木式”设计，让使用者可以灵活地更换其中的任意一个模块，从而快速构建或复现新的 VLA 策略。

核心通信机制——统一的备忘录： Dexbotic 模块化设计的灵魂。 想象一下上面解耦之后的机器人“大脑” (VLM) 和“双手” (AE) 是两个独立的专业部门。

1. VLM 的工作： 接收人类的复杂指令和机器人看到的实时画面。它负责复杂的理解、推理和规划。

2. VLM 的输出： 它不会直接输出机器人的关节角度，这太复杂了，而是输出一份高度凝练的统一备忘录。这份备忘录标准且清晰，相当于AI抽象出来的一个中间决策。以「把红色的积木放进蓝色的盒子」的动作为例，这个中间决策就是：目标是抓取桌面上的红色物体，并移动到坐标 X, Y, Z。

3. AE 的工作： 它只需要阅读这份标准备忘录，然后将 X, Y, Z 这样的抽象目标，转化为机器人所需的精确 Delta坐标或扭矩，完成细腻的抓取动作。

这种「只负责思考」和「只负责执行」的清晰分工，以及它们之间通过标准“备忘录”进行的通信，是实现 VLA 策略快速组装和研究迭代的关键。

统一数据格式（Dexdata）： 面对多源、异构数据，Dexbotic 定义了 Dexdata 统一格式。

它以高效的视频（video）和 jsonl 文件形式存储机器人数据集，能有效节省存储空间，并简化了数据处理流程。更酷的是，它从设计之初就考虑到了未来的全身控制、复杂交互，为人形机器人的研究预留了接口扩展能力。

核心创新三：自有的高性能基础模型

如果说工程框架是「身体」和「骨架」，那么高性能的预训练模型就是 VLA 的「大脑」和「引擎」。

Dexbotic 从头预训练了自有的基础模型——DexboticVLM。它使用CLIP 作为视觉编码器、两层 MLP 作为投影器，并集成了 Qwen2.5 作为LLM，确保 VLA 模型能够立即获得当前最优的跨模态对齐和强大的语言理解能力。

这种“最新 VLM + 高性能预训练”的组合，在实战中带来了巨大的性能提升：

在 SimplerEnv 基准测试上：基于 Dexbotic 预训练模型的 db-CogACT 成功率比官方 CogACT 绝对提升了18.2%（从 51.3%提升到 69.5%）。db-OFT 相比官方 OpenVLA-OFT更是取得了46.2% 的绝对提升（从 30.2% 提升到 76.4%）。

在 CALVIN 长时序任务中：db-CogACT 在所有指标上均超越了官方模型，平均任务完成长度从 3.25 优化到 4.06。

这不仅是数字上的提升，更意味着 VLA 模型在复杂、长时序任务中「更聪明」、「更可靠」。

扩展生态：开源硬件 DOS-W1

除了VLA算法，具身智能的研究发展也离不开硬件的支撑。有鉴于此，Dexmal 原力灵机也推出了其首款开源硬件产品——Dexbotic Open Source - W1（DOS-W1）。

它采用了大量的快拆结构与可替换模块，还为了提升操作人员的舒适度与数据采集效率，专门进行了人体工学的抗疲劳设计。同样的，也是完全开源！即将开源所有的文档、BOM、设计图纸、组装方案、相关代码。

据悉，Dexmal 原力灵机也将与各产业伙伴一起，持续丰富 Dexbotic Open Source 系列，以开源硬件助力具身智能前沿研究，加速机器人技术在真实物理世界的落地与应用。

结论：将创新从工程中解放

能聊天的 AI 已经足够多，世界需要更多能干活的 AI。

Dexbotic 所扮演的角色，正是具身智能领域的 “效率革命者”：它通过统一的代码架构、统一的数据格式和高性能的预训练权重，使得全球研究者能够在一个相同的、最优化的环境下，公平、快速地复现和对比各种前沿 VLA 算法。

当研究者可以将 100% 的精力投入到「如何让机器人更智能地行动」，而不是「如何让我的环境跑起来」时，我们有理由相信，具身智能的技术浪潮，将以前所未有的速度席卷而来。

上周，Dexbotic 原力灵机联合 Hugging Face ，正是检验 VLA 算法真实能力的最终平台。Dexbotic 工具箱提供的统一环境和高性能模型，将成为研究者高效参与RoboChallenge的技术基础，助力算法快速通过高难度、长时程的真机任务，从而在真实世界中验证和孵化出更具颠覆性的 VLA 创新。

现在，是时候将你的创新算法交给 Dexbotic，去开启下一代具身智能的飞跃了。